基于物理知识的神经网络(PINNs)在温室自然通风中的应用研究——第二部分:针对多变风条件的预测模型开发

《Biosystems Engineering》:Development of Physics-Informed Neural Networks (PINNs) for the natural ventilation of a greenhouse – Part 2: Development of prediction models for variable wind conditions

【字体: 大 中 小 】 时间:2026年03月31日 来源:Biosystems Engineering 5.3

编辑推荐:

  基于有限CFD数据构建物理信息神经网络预测温室多风速通风效能,对比数据驱动、纯物理约束及混合模型。结果显示物理约束模型在风速>1.0m/s时R2>0.714,混合模型达0.973,有效解决复杂流体问题并突破传统CFD计算限制。

  
Young-Bae Choi | In-Bok Lee
济州人工智能转型与融合研究部,电子与电信研究院(ETRI),韩国济州岛济州市Cheomdan-ro 241号,邮编63309

摘要

本研究开发了物理信息神经网络(PINNs),利用有限的计算流体动力学(CFD)数据集来预测不同风速条件下的温室自然通风情况。为了解决计算限制,研究人员开发了能够在未经训练的风速场景之间进行插值的模型。逐步训练过程中使用了来自21次计算流体动力学模拟的数据集,风速范围为0.1至10.0米每秒。比较了三种建模方法:纯数据驱动的神经网络、结合纳维-斯托克斯方程和边界条件的物理信息模型,以及结合观测数据和物理约束的集成物理-数据框架。数据驱动模型在单一数据集和双数据集情况下均表现出显著局限性,决定系数值为负。无需训练数据的物理信息模型在所有风速下均表现稳定,当风速超过1.0米每秒时,其决定系数值超过0.7140。集成物理-数据方法在三个数据集的情况下,速度分量的决定系数值分别为0.9730和0.9418,而同等数据驱动情况下的决策系数值为负。这种物理信息方法能够在不违反基本流体动力学原理的情况下,准确预测训练数据集中未包含的风速条件。该方法为在多变环境条件下进行温室通风分析提供了一种高效途径,同时仅需最少的计算资源。

引言

随着技术进步和对全年高质量农产品需求的增加,保护性园艺已发展成为精准栽培系统(Stanghellini等人,2019年)。自然通风是维持温室内适宜空气温度、湿度和空气质量的基本手段(Bartzanas等人,2004年;Campen & Bot,2003年;Li等人,2020年;Yeo等人,2022年)。通风效果取决于多种因素,包括空气交换率、风速和方向、通风口类型和位置、通风口开口面积以及结构朝向(Majdoubi等人,2009年)。然而,温室设施的扩大和复杂性给维持均匀生长条件和管理外部条件变化下的内部环境带来了挑战。外部天气条件与温室结构之间的复杂相互作用使得在多变环境条件下预测和管理气流模式变得困难。多变的风速模式和温度波动需要动态通风控制策略,因为不同的流动状态对通风系统性能有根本性影响(Nie等人,2023年;Villagrán等人,2019年)。
为应对这些挑战,研究人员应用计算流体动力学(CFD)来模拟温室气流并评估不同环境条件下的通风效果(Campen & Bot,2003年;He等人,2018年;Norton等人,2007年;Yeo等人,2022年;Zhang等人,2023年)。最近的研究证明了CFD在评估温室气流模式、热力学和通风优化方面的有效性(Ghoulem等人,2020年;Pawar等人,2024年)。然而,CFD模拟时间限制了其实时应用性。这促使人们探索替代方法(Hosain & Fdhila,2015年;Zhang等人,2025年)。尽管以往的研究通过先进的可视化和模拟技术研究了各种情况,但计算限制阻碍了对多变风速条件的研究(Kim等人,2021年;Norton等人,2007年)。
先前的研究表明,物理信息神经网络(PINNs)通过将物理定律与深度学习算法相结合,有效解决了时变气流模拟问题。PINNs在解决受纳维-斯托克斯方程控制的复杂流体动力学问题时表现出色,且所需训练数据量极少(Eivazi等人,2022年;Mao等人,2020年;Raissi等人,2019年)。最新进展表明它们在预测流动模式和进行湍流分析方面具有准确性(Eivazi等人,2022年)。然而,PINN应用中也存在一些根本性局限,包括收敛到局部最小值以及对于复杂流体动力学问题产生物理上不合理的解(Chuang & Barba,2022年;Wang, Yu, & Perdikaris,2022年;Zhang等人,2024年)。此外,高效利用PINNs解决复杂流体动力学问题仍然具有挑战性,尤其是在多变边界条件下准确描述流动细节方面(Zhao等人,2024年)。由于CFD模拟的计算限制,农业通风分析面临额外挑战,因为在多种风速条件下进行广泛参数研究需要大量的计算资源和时间(Kim等人,2021年)。这些限制需要寻找能够在最少计算数据集的情况下预测多变环境条件下气流模式的替代方法。此外,不同建模方法在有限训练数据情况下的有效性及其在多变环境条件下的表现需要全面评估,以确定农业通风系统的最佳方法。
因此,本研究旨在利用有限的CFD数据集开发PINN模型,用于模拟温室在不同风速条件下的自然通风。为此,系统地比较了三种不同的建模方法:纯数据驱动的神经网络、结合纳维-斯托克斯方程和边界条件的物理信息模型,以及结合观测数据和物理约束的集成物理-数据框架。研究通过使用不同数量的风速数据集,在逐步训练过程中评估了模型性能,以评估在有限计算资源下的预测能力。这种方法旨在为在多变环境条件下分析温室通风建立高效方法,同时解决农业应用中的计算可行性问题。

章节摘录

材料与方法

在本研究的第一部分中,使用有限的CFD数据开发了用于时变气流模拟的PINN模型。为了将PINN的应用扩展到多变边界条件,本研究重点关注在不同风速条件下预测温室的自然通风情况(图1)。使用第一部分中验证的CFD模型生成了多个CFD数据集,以代表不同的操作风速条件。系统地比较了三种不同的建模方法

不同风速条件下的CFD结果

经过验证的CFD模型生成了涵盖0.1至10.0米每秒的21种风速条件的综合数据集,为DNN和PINN模型的开发提供了参考解。这些CFD结果为评估不同边界条件下的神经网络预测提供了基准。图5展示了2.0米每秒代表性条件下的速度场,突出了外部大气边界层和内部环流的发展情况

结论

本研究提出了用于模拟不同风速条件下温室自然通风的PINNs的开发与应用。所提出的方法将控制流体动力学的物理定律与多场景训练策略相结合,能够预测训练数据集中未明确涵盖的各种边界条件下的气流模式。在四种训练场景中评估了三种不同的建模方法。数据驱动模型

CRediT作者贡献声明

Young-Bae Choi:撰写——原始草稿、可视化、验证、软件开发、方法论、正式分析、数据整理。In-Bok Lee:撰写——审阅与编辑、监督、资源协调、项目管理、资金获取、数据整理、概念构思。

写作过程中使用生成式AI和AI辅助技术的声明

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

作者声明没有已知的利益冲突或个人关系可能影响本文所述的工作。

致谢

本研究得到了韩国能源技术评估与规划院(KETEP)和韩国贸易、工业和能源部(MOTIE)的支持(项目编号20212020800050)。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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