《Biosystems Engineering》:Development of Physics-Informed Neural Networks (PINNs) for the natural ventilation of a greenhouse – Part 1: Real-time prediction of time-dependent airflow
编辑推荐:
温室通风气流预测研究提出物理信息神经网络(PINNs)方法,通过融合流体力学方程与边界条件作为损失函数,在0.1%-1.0%的CFD数据量下实现高精度预测(R2 0.7830-0.9258)。相较于传统CFD方法,PINNs在多种硬件配置下速度提升达279-11966倍,兼具实时性与计算效率,为智能温室环境控制提供新工具。
Young-Bae Choi | In-Bok Lee
韩国济州岛电子通信研究院(ETRI)AI转型与融合研究部,济州市千丹路241号,63309
摘要
分析温室内部气流需要先进的计算方法,以准确理解和预测气流模式。计算流体动力学(CFD)已成为分析温室通风的基本工具,提供了关于气流模式的详细见解。然而,CFD模拟的计算强度限制了其实时应用,并由于计算时间较长而阻碍了广泛案例研究。本研究表明,物理信息神经网络(PINNs)可以通过将控制方程作为学习约束集成进来,克服这些限制,从而在训练数据较少的情况下实现准确预测,并达到适合实时农业应用的计算效率。该方法将物理定律整合到神经网络的学习过程中,有效解决了控制温室内部可变空气环境条件的偏微分方程问题。评估了三种不同的建模方法:纯数据驱动模型、包含物理损失项的PINN模型以及同时整合物理定律和边界条件的综合PINN模型。使用R2、RMSE和SMAPE等统计指标验证了模型性能。物理损失和边界条件损失的整合显著提高了模型的预测准确性,尤其是在训练数据有限的情况下。仅使用0.1%到1.0%的可用CFD数据,包含物理和边界损失的PINN模型在x方向速度上的R2值范围为0.7830至0.9258,在y方向速度上的R2值范围为0.7830至0.8333。与传统CFD方法相比,不同硬件配置下的加速因子范围从279到11,966不等。这些模型展示了实时监测和控制温室环境的潜力,同时保持了在实际应用中的足够准确性。
引言
温室产业在全球范围内经历了显著增长,其规模从1990年的23,698公顷增加到2023年的52,723公顷(MAFRA,2024年)。这一增长反映了从小型单跨结构向大型商业温室设施的转变。随着温室规模的扩大,维持均匀的内部条件变得更加具有挑战性,但对高效作物生产却愈发重要。这些大型设施受益于温室系统中的信息通信技术(ICT)进步,这些技术改善了栽培过程,促进了精准农业的发展。这种方法增强了植物生长控制,能够在优化条件下进行专门化作物栽培,并减少了资源消耗(Stanghellini等人,2019年)。温室环境控制的复杂性增加,给维持均匀生长条件带来了重大挑战,因此需要先进的环境控制策略(Lee等人,2013年;Yeo等人,2022a年)。自然通风是优化内部可变空气环境条件的基本方法,因此准确预测通风性能对于实施自适应控制策略至关重要(Bartzanas等人,2004年;Campen & Bot,2003年;Fatnassi等人,2023年;Lee等人,2013年;Yeo等人,2022a年,2022b年)。
计算流体动力学(CFD)已成为解决温室通风挑战的分析工具。CFD分析提供了关于农业环境空气动力学的详细见解,精确评估了气流模式和内部可变空气环境条件(Lee等人,2013年;Norton等人,2007年;Yeo等人,2022a年)。最近的研究证明了CFD在评估温室气流模式、温度、湿度和气体浓度动态以及通风优化方面的有效性(Ghoulem等人,2020年;Pawar等人,2024年)。这些模拟为通风管理决策提供了重要数据。然而,求解纳维-斯托克斯方程(NSE)所需的长时间模拟限制了其实时应用。尽管具有基本准确性,但包括有限体积法(FVM)和有限元法(FEM)在内的传统方法在实时场景中仍存在局限性。它们密集的计算要求和复杂的预处理需求限制了实际应用(Hosain & Fdhila,2015年;Katz & Plotkin,2001年)。这些限制促使人们开发替代方法,以实现温室通风管理的实时分析和预测。
计算技术的最新进展扩展了实时CFD在多个学科中的应用(Hosain & Fdhila,2015年)。OpenFOAM中的快速流体动力学(FFD)增强了复杂几何形状的室内气流模拟(Liu等人,2016年),而格子玻尔兹曼方法(LBM)提供了快速计算和实时适应性。然而,这些方法在温室应用中存在显著局限性。标准LBM模型假设等温条件,无法准确捕捉能量传递(Krüger等人,2017年),而FFD经常无法捕捉湍流的细微特征或瞬态流动特性(Liu等人,2016年)。
物理信息神经网络(PINNs)为传统和加速CFD方法面临的限制提供了一种新颖的解决方案。PINNs解决了各个领域中与偏微分方程(PDE)相关的广泛挑战。在流体动力学中,PINNs在预测移动圆柱流场中的涡度以及求解不可压缩湍流的雷诺平均纳维-斯托克斯方程方面表现出准确性(Abueidda等人,2023年;Cai等人,2021年;Chen等人,2020年;Kadeethum等人,2020年;Li & Feng,2022年;Markidis,2021年)。PINNs在流体动力学应用中特别有效,通过将物理定律与深度学习算法相结合,成功解决了流动场预测和湍流分析中的复杂问题。研究表明,它们在湍流建模方面具有准确性,同时所需的训练数据很少(Eivazi等人,2022年;Hu & McDaniel,2023年;Li & Feng,2022年;Pioch等人,2023年;Rui等人,2023年;Wong等人,2021年)。研究验证了它们在多种流动条件下的有效性,特别是在数据同化和从有限观测数据重建时间平均湍流场方面表现出优势(Huang等人,2023年;Von Saldern等人,2022年)。尽管PINNs在流体动力学应用中取得了显著进展,但其在通风流分析方面的潜力尚未得到充分探索,尤其是在农业环境中。使用PINNs开发实时温室通风模型为与现代技术(如混合孪生模型)的集成提供了有希望的机会,这些技术结合了基于物理的模型和机器学习及现实世界数据,以实现比传统数字孪生方法更高的预测准确性(Chinesta等人,2020年)。
因此,本研究旨在开发一种用于农业通风的PINN模型。为此,该研究将PINN框架与Ha(2015年)进行的实地测量数据相结合,作为基准来研究其准确性和可靠性。这种方法促进了PINNs与传统通风模拟实践的整合,确保所开发的模型满足流体动力学的控制方程。此外,研究重点是在数据有限的情况下预测通风流量,同时减少计算时间,从而实现农业通风系统的高效实时模拟能力。这种方法旨在克服传统CFD的局限性,特别是在边界或初始条件不明确的情况下,开发出能够准确预测各种情况下温室内部环境条件的模型。这些发展的整合提升了温室的环境控制水平,有助于可持续的作物管理。
方法与技术
图1展示了使用CFD计算数据作为训练集开发和应用PINNs的方法流程图。该过程从开发CFD模型开始,该模型使用风洞测量数据和粒子图像测速(PIV)现场测量数据进行了验证(Ha,2015年)。PINN模型的开发利用了这些经过验证的CFD计算数据。
本研究专注于开发一种用于模拟通过侧通风窗的二维动态气流的PINN模型。
通过实地实验与CFD模拟的比较验证CFD模型
通过将Ha(2015年)的实地测量数据与2D自然通风温室模型的CFD结果进行比较分析,验证了模型的准确性。作为验证过程的一部分,检查了温室中心区域的速度分布。在4.05米高度处,进入的气流表现为负速度,且随着高度的增加而减小。最大气流速度出现在大约0.37米的高度,对应于通风窗的位置(图8)。
结论
本研究提出了物理信息神经网络(PINNs)在模拟温室自然通风方面的开发和应用。所提出的方法将控制流体动力学的物理定律整合到神经网络的学习过程中,实现了对温室内部气流模式的准确高效预测。结果表明,结合物理损失和边界条件损失显著提高了预测准确性。
CRediT作者贡献声明
Young-Bae Choi:撰写——原始草稿、可视化、验证、软件、方法论、正式分析、数据整理。In-Bok Lee:撰写——审稿与编辑、资源管理、项目协调、资金获取、正式分析、概念构思。
写作过程中未使用生成式AI或AI辅助技术
在准备本工作中未使用任何生成式AI或AI辅助技术。
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。
致谢
本工作得到了韩国能源技术评估与规划院(KETEP)和韩国贸易、工业与能源部(MOTIE)的支持(项目编号:20212020800050)。