利用物理信息神经网络(Physics-Informed Neural Networks, PINNs)识别颗粒材料中的流变参数

《Powder Technology》:Rheological parameter identification in granular materials using Physics-Informed Neural Networks

【字体: 大 中 小 】 时间:2026年03月03日 来源:Powder Technology 4.6

编辑推荐:

  摘要:本研究提出一种基于物理信息神经网络(Physics-Informed Neural Networks, PINNs)的方法,用以识别干颗粒密相流动中μ(I)-rheology本构关系的流变参数——静摩擦系数μs与动摩擦系数μ2,研究对象为简化的颗粒柱坍塌

  
摘要:本研究提出一种基于物理信息神经网络(Physics-Informed Neural Networks, PINNs)的方法,用以识别干颗粒密相流动中μ(I)-rheology本构关系的流变参数——静摩擦系数μs与动摩擦系数μ2,研究对象为简化的颗粒柱坍塌(granular column collapse)实验构型。研究人员采用数值模拟(Basilisk求解器)生成的合成速度场及自由面压力边界条件作为训练数据,使PINN同时反演流变参数并重构压力场p(x,y,t)。结果表明,该方法仅需实验可获取的颗粒速度场(如粒子图像测速Particle Image Velocimetry/粒子追踪测速Particle Tracking Velocimetry测得)及自由面大气压边界即可高精度识别μs与μ2(相对误差<1%与≤2.87%),并成功重构实验中难以直接测量的内部压力场。研究结果凸显了PINNs在颗粒材料数据驱动流变表征(data-driven rheometry)中的潜力,为未来应用于真实实验数据奠定基础。
论文解读——《利用物理信息神经网络(Physics-Informed Neural Networks, PINNs)识别颗粒材料中的流变参数》
一、研究背景与意义
颗粒介质(granular media)广泛存在于地质灾害(如碎屑流、雪崩)与工业过程(制药、建材)中,其兼具固-液-气三相行为特征,连续介质建模长期面临挑战。μ(I)-rheology(即有效粘度ηg=μ(I)p/√(2D2),其中惯性数 I=d√(2)D2/√(|p|/ρg),摩擦系数 μ(I)=μs+Δμ/(I0/I+1),Δμ=μ2?μs)是描述密相干颗粒流动的主流连续模型,但参数 μs(准静态极限摩擦系数)与 μ2(高速碰撞极限摩擦系数,常记为 μ∞或 μ2)的传统测定依赖复杂昂贵的专用流变仪且受颗粒胀缩性(dilatancy)干扰。颗粒柱坍塌实验构型简单、已有成熟实验对照,但无法获知内部压力场与精确流变参数。物理信息神经网络(Physics-Informed Neural Networks, PINNs)可将偏微分方程(Partial Differential Equations, PDEs)残差作为正则项嵌入损失函数,实现流场重构与参数联合辨识(inverse problem)。本文由 Barbara Baldoni 等发表于《Powder Technology》,首次将PINNs应用于μ(I)-rheology参数的颗粒材料反演,验证其可行性并评估噪声鲁棒性。
二、主要关键技术方法
研究人员采用二维(2D)颗粒柱坍塌构型(初始柱高h=10、宽w=1、计算域H=11,密度ρg=1、空气ρa=10?3、ηa=10?4),使用开源流体求解器 Basilisk 以单流体模型(one-fluid formulation)结合VOF(Volume-of-Fluid)界面追踪及μ(I)-rheology(I0=0.3固定)生成六组合成数据(μs∈[0.2,0.6],Δμ∈[0.12,0.24],即 μ2=μs+Δμ∈[0.32,0.84])。训练集取128×128下采样颗粒内(c=1)点速度(u,v)及自由面(VOF阈值|c?0.5|<0.1)大气压边界,测试集为512×512全量速度-压力参考解。PINN采用3隐层各250神经元、Swish激活函数、输出(uN,vN,pN),将μs、μ2声明为可训练变量并Sigmoid约束于[0,1],损失函数为数据失配项Lvelo(速度MSE)+自由面压力项Lpsurf(p=patmMSE)+ PDE残差项Lres(动量方程与不可压缩连续性方程自动微分求残差平方均值),Adam优化器20000轮次(lr 5×10?4→10?5),并在速度数据叠加高斯噪声及近壁缺失条件下做鲁棒性测试。
三、研究结果
4.1 Identification of μsand μ2(流变参数识别)
仅用速度数据训练时 μs与 μ2辨识误差极大(最高达100%),引入自由面压力 p=patm约束后二者快速收敛(μs在前几千轮稳定)。六组工况下辨识值:μs相对误差 εμs<1%(最小0.12%,最大0.80%);μ2相对误差 εμ2多<1%,最差为 μs=0.4, μ2=0.64 时2.87%。表明PINN可从颗粒柱坍塌的速度场与自由面边界联合反演 μ(I)-rheology 的关键摩擦参数,且 μs因对应低惯性数主导区更易识别。
4.2 Reconstruction of the pressure field(压力场重构)
PINN同步输出域内压力场,相对 L2误差 εp在低摩擦组<2%(最低0.88%),高摩擦(μs=0.6)组升至约6.4%~6.9%,偏差集中于近静止区(剪切率 D2→0 致PDE残差趋零、优化信号弱)。横向剖线对比显示流动区内PINN预测与CFD参考吻合良好,验证了PINN可重构实验中无法直接测量的颗粒介质内部压力分布。
4.3 Identification with noise(含噪声与缺失数据的参数识别)
加20%高斯速度噪声时 εμs=1.01%、εμ2=1.24%、εp=9.71%;80%噪声时 εμs=2.34%、εμ2=13.4%、εp=14.5%。模拟近壁盲区(去0<y<0.2数据)+20%噪声时 εμs=0.11%、εμ2=5.73%、εp=9.10%。说明方法对适度噪声与局部数据缺失具鲁棒性,μ2较μs更敏感,高噪声下精度下降但仍具辨识能力。
四、讨论与结论翻译
研究人员得出结论:本文首次将PINN框架应用于颗粒材料μ(I)-rheology流变参数识别,证明仅需实验可获的颗粒速度场(PTV/PIV)及自由面位置(光学成像定 p=patm)即可高精度反演 μs与 μ2,并同时重构内部压力场。无噪下 μs、μ2辨识误差多在1%内(μ2最大2.87%),压力重构误差多<2%(高摩擦约6.9%);方法对≤20%测量噪声及近壁数据缺失保持稳健(μs误差仍<1.5%)。I0在本构中对低惯性数主导的坍塌流不敏感故未参与辨识,后续拟选用惯性数分布更广的流型实现三参数联识。该PINN基数据驱动流变仪(data-driven rheometry)避开了传统流变仪复杂标定与胀缩干扰,为工业与科研中颗粒材料摩擦特性表征提供新范式。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号