《Materials & Design》:Physics-informed operator learning integrated with analytical modeling for transient heat conduction in 2D orthotropic FGMs with arbitrary gradation
编辑推荐:
理解空间架构如何控制瞬态热响应对于航空航天、生物医学及能源系统中功能梯度材料(FGM, Functionally Graded Material)的设计至关重要。当材料梯度沿径向和周向独立变化时——如多数空心结构——控制方程在瞬态条件下变得高度复杂,且周向变化
理解空间架构如何控制瞬态热响应对于航空航天、生物医学及能源系统中功能梯度材料(FGM, Functionally Graded Material)的设计至关重要。当材料梯度沿径向和周向独立变化时——如多数空心结构——控制方程在瞬态条件下变得高度复杂,且周向变化的对流换热系数与时空变化的 ambient temperature 波动进一步加剧此问题,而现有 FGM 解析研究极少涉及此类情况。为此,研究人员提出一种统一的解析–机器学习框架,用于预测非对称梯度空心圆柱中的瞬态热行为。将经典 Fourier–Sturm–Liouville 展开推广至具周向变化 Robin(罗宾)边界条件的正交各向异性 FGM,导出 Toeplitz 耦合模态约束,并利用 projector–pseudoinverse 公式精确求解,得到本征函数级数形式的闭式解。分析了五种梯度构型——幂律(power-law)、指数(exponential)、Sigmoid、抛物线(parabolic)及混合(mixture)模型——揭示了从均匀加热到扩散缓热等不同传热特征,并在生物组织消融与核燃料包壳设计中予以演示。最后,以解析解和数值解作为高保真训练数据,改进多功能梯度增强物理信息 DeepONet(gPI-DeepONet, gradient-enhanced Physics-Informed Deep Operator Network)的算子学习与预测效率。相比标准 DeepONet,gPI-DeepONet、hybrid-FEA 变体及 hybrid-analytical 变体的误差分别降低约 ×、× 和 ×(原文数值因排版丢失,以原文表述为准)。
论文解读:融合物理信息算子学习与解析建模的二维正交各向异性FGM空心圆柱任意梯度瞬态热传导研究
一、研究背景与意义
功能梯度材料(FGM, Functionally Graded Material)凭借空间连续变化的物性可在单一结构中实现可控热/力学响应,广泛应用于航天热防护、核燃料包壳及生物组织模拟。现有解析研究多假设径向对称、单一幂律梯度及可分离边界条件,难以处理径向–周向双向梯度变化、周向变化的对流换热系数(Robin边界条件)及非可分离时空热载荷这类实际工况;而纯数值方法(FEM/FDM/BEM)计算昂贵且对网格敏感,PINN(Physics-Informed Neural Network)虽可嵌入物理方程但难跨不同边界/材料参数泛化,且对 sharp gradient 收敛困难。DeepONet 可学习解算子(Solution Operator)以泛化至不同输入函数,但纯数据驱动易违反物理一致性。为此,研究人员结合广义 Fourier–Sturm–Liouville 解析谱分析与梯度增强物理信息 DeepONet(gPI-DeepONet, gradient-enhanced Physics-Informed Deep Operator Network),建立可解析求解并高效算子预测的 unified framework,发表于 Materials & Design(原文刊载于 International Journal of Heat and Mass Transfer类期刊,用户指定《Materials 》按用户要求表述)。
二、主要关键技术方法
研究人员采用以下关键方法:(1) 层合近似法(Layer-wise Method)将连续梯度 FGM 离散为多层均质薄层,层间温变与热流连续,忽略界面热阻;(2) 广义 Fourier–Sturm–Liouville 谱展开,将二维极坐标瞬态热传导方程经角向 Fourier 级数展开及径向有限积分变换(Finite Integral Transform)化为常微分–代数系统,周向变对流边界引入 Toeplitz 矩阵描述的模态耦合,用 Moore–Penrose 伪逆(projector–pseudoinverse)与零空间投影算子求闭式本征函数级数解;(3) 三种梯度物性模型——幂律(P1、P2)、指数(E)、Sigmoid(S)、抛物线及混合(M)分布——按 Voigt 方案由金属/陶瓷体积分数给出有效导热系数;(4) 构建三分支 gPI-DeepONet:Branch Net 分别编码外表面热流 q(θ,t)、周向对流系数 h(θ)、边界温度 T∞(θ)(均自 Gaussian Random Field 采样),Trunk Net 映射时空坐标(r,θ,t),输出为 branch 系数与 trunk 基函数的 Hadamard 积加和;损失函数融合数据 MSE、PDE 残差、温度梯度残差、初边值残差,并以解析解/COMSOL FEA 结果作 hybrid supervision;(5) 以 COMSOL Multiphysics 二维瞬态传热模块及已有文献多层各向同性解作数值验证,通过 Fourier 截断项数与层数收敛性分析确定计算参数。
三、研究结果
2. Analytical formulation of the problems(问题的解析建模)
研究人员建立极坐标下二维瞬态热传导控制方程,考虑径向与周向可变导热系数 k(r,θ),内/外表面施加含角向变化的 Robin(对流)与 Dirichlet/Neumann 混合边界,初始温度给定。假定 kr=kθ=k(r)(正交各向异性退化为径向依赖标量以简化),采用层合近似 k(r)≈k(i)(第 i 层常数)。角向展开为 Fourier 级数 Θm(θ)=cos mθ/sin mθ,径向经 Sturm–Liouville 本征值问题得本征值 λn与本征函数 Rn(r);周向变 h(θ)、q(θ) 作复数 Fourier 展开引入模态耦合项,边界条件整理后形成具 Toeplitz 结构的矩阵约束,整体写为微分–代数系统。用 Moore–Penrose 伪逆求特解,齐次部分用常数变易法得时间演化,最终获闭式本征函数级数解(式27–29),层间强制温变与热流连续。
4.1. Convergence study(收敛性研究)
研究人员截断角向 Fourier 项数 M 与径向本征项数 N,考察其对误差影响。结果表明 M∈[6,10]、N∈[8,12] 时误差最小,超出此范围误差基本不变,验证了级数解的收敛性与截断合理性。
4.2. Effect of number of layers on temperature convergence(层数对温度收敛的影响)
改变层合离散层数 Nlayer=5~30,M-FGM 与 E-FGM 在 Nlayer>20 时温度场基本不变,确认层合近似在约 20 层以上达到数值饱和,兼顾精度与效率。
4.3. Model verifications against analytical solutions(与已有解析解比对验证)
将本文模型退化为三层各向同性圆柱并与文献[22](Andrade et al. 多层圆柱二维非对称热传导解析解)比对,时变与定热流边界下差异 <4%,验证数学模型正确性。
4.4. Model verifications against numerical solutions(与数值解比对验证)
COMSOL 二维瞬态传热模型(非结构化三角网格,extra-fine 网格无关性检验)与解析解对比,径向与周向温度分布吻合良好,点态相对误差 <1%,确认解析公式与数值实现可靠。
4.5. Case 1: time-independent boundary conditions(案例一:时不变边界条件——仿生物组织热消融)
内表面给角向变化 Dirichlet 温度,外表面上半部给角向变化对流 h(θ),下半部给角向变化热流 q(θ)。(4.5.1) 时–温演化:P1-FGM 因热扩散率单调增升温最快且最早达稳态,适合需快速可预测加热的热消融;M-FGM 因非单调导热率先升后降、整体升温最慢且有热缓冲效应,适合需抑制温升与热冲击的热防护。(4.5.2) 空间温度分布:早期 M-FGM 温梯最平缓,E-FGM 出现周向局部热点;晚期 P 型 FGM 外壁温最高、径向梯度最陡,M-FGM 仍较均匀。表明梯度律可调控径向热积聚与角向热点分布。
4.6. Case 2: time-dependent boundary conditions(案例二:时变边界条件——仿核燃料包壳)
内表面时变 Dirichlet 冷却温,外表面顶部时变对流,底部时变抛物分布热流仿真中子注量加热。(4.6.1) 时–温演化(P1-FGM):外半径处温变振荡被放大(对热疲劳敏感),内半径处被梯度材料衰减,体现 FGM 的瞬态热负荷再分配能力。(4.6.2) 空间分布:初期 M-FGM 整体温最低(热缓冲),P1/P2-FGM 瞬态吸热强、易现局部高温;后期 P1-FGM 可达 ~873 K(示例中数值),M-FGM 仍抑温。说明陡梯度 FGM 适合需吸热/定位加热区,扩散型 M-FGM 适合限温区,可分区设计包壳。
4.7. Comparison of analytical and gPI-DeepONet results(解析解与 gPI-DeepONet 结果对比)
gPI-DeepONet(hybrid-analytical) 预测温度场与解析解吻合良好,点态误差低;相比纯数据 DeepONet、PI-DeepONet,gPI-DeepONet 及 hybrid-FEA/hybrid-analytical 变体 L2误差依次显著降低(原文图示量化),证明梯度物理约束与解析数据混合监督可有效提升算子学习精度与泛化性。
四、讨论与结论(翻译浓缩)
研究人员建立了二维正交各向异性 FGM 空心圆柱瞬态热传导的广义 Fourier–Sturm–Liouville 解析解及梯度增强物理信息 DeepONet(gPI-DeepONet) 混合算子学习框架。五种梯度构型(幂律 P1、P2,指数 E,Sigmoid S,混合 M)显示不同热行为:M-FGM 延缓并扩散热传播,适合核燃料包壳热防护;P 型 FGM 快速均匀升温,适合生物组织局部热消融;E、S 型提供介于二者间的可调过渡。解析解与 COMSOL 及文献解吻合(误差 <1%~4%),验证了模型。将解析/高保真数值解作为监督信号嵌入 gPI-DeepONet,相较标准 DeepONet 显著降低预测误差,保留了跨参数与边界条件的算子级泛化能力。该 unified analytical–physics-informed operator learning framework 为航空航天、能源及生物医学中先进材料瞬态热分析提供了可扩展且面向设计的平台。未来工作将放宽温变无关假设、引入温度依赖物性与层内梯度、加入不确定性量化并推广至三维。