# 神经CFD代理模型

三维流体神经代理模型需要大量高保真 CFD 标签，成本高昂。SimpFlow 改用简化物理：在约 9000 个无标签 ShapeNet 几何上，用只依赖表面网格的源面元势流求解器生成速度与压力标签，并跨来流方向复用预计算速度场，摊薄后每个样本 0.111 秒。以这些标签预训练 Transolver 再在独立 CFD 数据集上微调，五个流场任务共 24 个任务–预算设置全部优于从零训练；固定 200 轮微调时，插值估计达到从零模型最大预算误差只需 35–68% 的 CFD 训练算例。

三维流体神经代理模型需要大量高保真 CFD 标签，成本高昂。SimpFlow 改用简化物理：在约 9000 个无标签 ShapeNet 几何上，用只依赖表面网格的源面元势流求解器生成速度与压力标签，并跨来流方向复用预计算速度场，摊薄后每个样本 0.111 秒。以这些标签预训练 Transolver 再在独立 CFD 数据集上微调，五个流场任务共 24 个任务–预算设置全部优于从零训练；固定 200 轮微调时，插值估计达到从零模型最大预算误差只需 35–68% 的 CFD 训练算例。