《Fluids》:A Vorticity-Enhanced Physics-Informed Neural Network with Logarithmic Reynolds Embedding
Yaxiong Zheng,
Fei Peng,
Zhanzhi Wang,
Jianming Lei and
Shan Pian
编辑推荐:
为提高对宽雷诺数范围下稳态二维盖驱动方腔流(lid-driven cavity flow)的统一建模能力,本研究提出了一种涡量增强的物理信息神经网络(Vorticity-Enhanced Physics-Informed Neural Network,VE-P
为提高对宽雷诺数范围下稳态二维盖驱动方腔流(lid-driven cavity flow)的统一建模能力,本研究提出了一种涡量增强的物理信息神经网络(Vorticity-Enhanced Physics-Informed Neural Network,VE-PINN)。该方法在标准速度-压力物理信息神经网络(velocity-pressure PINN)基础上增加了涡量输运残差(vorticity-transport residual),并采用对数雷诺数嵌入log10Re进行多工况训练。以计算流体力学(CFD)基准数据作为监督与评估依据,研究人员在Re=1000?50000范围内对网络架构、损失权重、采样密度、输入嵌入及物理约束进行了系统性消融研究,同时开展了范围外推测试。结果表明,对数雷诺数嵌入改善了跨工况训练的稳定性并降低了多工况平均相对误差;涡量输运约束以仅适度增加训练代价为代价,改善了速度场及次级涡结构的重建。基于等值线场、中心线速度剖面、涡核位置及涡量强度的进一步比较表明,在当前基准下,VE-PINN相对于基线PINN具有更高的精度、物理一致性和泛化能力。这些发现提示,对于所考虑的稳态方腔流问题,将对数参数嵌入与导数级物理约束相结合是一种实用且有效的参数化PINN建模策略。
本研究聚焦于计算流体力学中物理信息神经网络在多参数流场建模中的核心挑战,发表于期刊《Fluids》。传统计算流体力学方法在工程设计和科学研究中计算成本高昂,且在处理反问题或参数化研究时存在困难。物理信息神经网络作为一种无网格框架虽具潜力,但在处理跨多雷诺数范围的非线性对流主导流动时仍面临严峻挑战:多层感知器(multi-layer perceptron,MLP)的"谱偏置"(spectral bias)使其难以捕捉高雷诺数下的陡边界层和多尺度特征,而"梯度流病理"(gradient flow pathology)则导致训练不稳定和收敛缓慢。此外,标准速度-压力PINN在模拟高雷诺数方腔流时,对强剪切层和涡量输运主导的复杂涡结构重建能力不足,跨参数泛化能力薄弱。因此,开发一种能够直接提升PINN在多工况复杂流动中泛化能力的机制成为关键未解问题。
研究人员开展了针对稳态二维盖驱动方腔流的VE-PINN方法研究,其核心创新在于耦合了两个互补的物理信息增强组件:一是对数雷诺数嵌入(logarithmic Reynolds-number embedding)以改善跨工况参数调节,二是涡量输运残差作为辅助导数级正则化项以增强对涡主导动力学的约束。研究得出以下主要结论:对数雷诺数嵌入将多工况平均相对?相对误差降低42%,显著改善了跨雷诺数训练的稳定性;涡量输运约束以仅约30%的训练时间增量为代价,有效提升了速度场和次级涡结构的重建精度;VE-PINN在等值线场、中心线速度剖面、涡核位置及涡量强度等指标上均优于基线PINN。该研究的重要意义在于,为参数化PINN建模提供了一种将参数嵌入策略与导数级物理约束相结合的实用有效策略,特别适用于需要进行重复计算流体力学评估的稳态参数化场景,如初步设计筛选和数字孪生辅助流动监测。
研究所用关键技术方法包括以下方面。网络架构与输入处理:采用全连接神经网络,输入为空间坐标(x,y)和对数嵌入后的雷诺数参数R?e
log,经min-max归一化映射至[-1,1]区间;输出为速度场(u,v)和压力场p。雷诺数参数化策略:对比了线性归一化(R?e
lin)、对数嵌入(R?e
log=log
10Re)和倒数嵌入(R?e=1/Re)三种参数化方式,最终采用对数嵌入作为默认策略。损失函数构建:基于自动微分计算物理残差,包括标准纳维-斯托克斯方程残差(质量守恒残差f
mass、u动量方程残差f
u、v动量方程残差f
v)、边界条件损失(移动顶盖Γ
lid和静止壁面Γ
wall分别处理)、监督数据损失(基于CFDBench/Ansys Fluent参考解的64×64网格速度场),以及涡量输运残差f
ω构成的涡量增强损失?
vort。训练设置:使用Adam优化器,初始学习率0.001,配合ReduceLROnPlateau调度器(factor=0.8,patience=1000 epochs),总训练预算20,000 epochs;采用雷诺数平衡批次构建策略,每个工况配额相等;每工况内部配点为500×500网格(250,000点),边界点独立采样。评估采用固定随机种子的500点预测集,严格独立于训练样本。样本来源:CFDBench数据集,由Ansys Fluent 2021R1有限体积求解器生成,使用压力基耦合格式、二阶迎风格式,近壁网格加密至首层10
-5 m,通过网格独立性验证。
网络拓扑与输入嵌入优化研究结果表明,单纯增加网络复杂度无法一致提升流场预测精度,更合适的输入参数化和物理约束仍是多雷诺数训练的关键。网络架构搜索测试了64×4、128×8、192×10和256×12四种配置,发现随着复杂度增加,速度分量和速度大小的平均绝对误差(MAE)趋于增大,而涡量MAE呈相反趋势;低雷诺数下增大复杂度缩小了整体误差区域但增大了最大误差,高雷诺数下最大误差减小但误差空间分布展宽。雷诺数参数化效果方面,线性缩放(D1)导致优化偏向高雷诺数工况,全局一致性下降;对数嵌入(D2)通过扩展低雷诺数区域、压缩高雷诺数区域,改善了参数空间条件,将多工况平均相对误差(MR-MRE)降低42%,在中心线速度剖面和边界速度控制方面均表现更优;倒数参数化(D3)虽部分压缩高雷诺数范围,但过度扩展低雷诺数区间且跨工况稳定性不如对数嵌入。
物理增强约束效力研究结果表明,涡量增强约束从优化稳定性和物理一致性两方面提升了模型性能。训练损失历史显示,VE-PINN在总损失、偏微分方程(PDE)损失和边界条件(BC)损失上的收敛轨迹均优于基线PINN。通过调整λ
pde和λ
bc的权重研究发现,单纯调整PDE和BC权重不足以改善涡量预测,这 motivates了涡量增强损失项的引入。无数据设置(λ
data=0)对比证实,监督项提供全局场锚定信息,但涡量输运残差在监督损失之外贡献了有意义的物理正则化。
全局流动预测改善方面,VE-PINN误差整体显著小于基线PINN,且随雷诺数增加误差逐渐减小。特别是在Re=50000时,基线PINN在右下角和左上角次级涡结构处出现明显误差,而VE-PINN拟合良好。这归因于辅助涡量残差通过约束导数级行为重塑了优化景观,减少了基线PINN对剪切主导和涡结构区域的过平滑倾向。
涡量捕获能力提升方面,高雷诺数下方腔角落形成的弱反向旋转次级涡对模型物理一致性和局部梯度建模能力提出更高要求。VE-PINN成功识别并重建了角落次级涡,在分离点位置和回流中心预测上提供了更丰富的流场细节;而基线PINN因顶盖速度增加时主涡结构边缘梯度集中、角落次级涡耗散而难以解析。涡量等值线图显示,VE-PINN预测中主涡结构内部随雷诺数增加发生变化,进而产生级联次级涡结构。
定量验证方面,中心线速度剖面与Ghia等经典基准数据及CFD解的比较显示,VE-PINN表现出更好的一致性,尤其在涡主导区域的u速度剖面(y=0.5H处)更准确复现了剖面形状和局部极值。涡核位置定量比较表明,VE-PINN对主涡中心位置误差有所降低,对较弱次级涡的改善更为显著:Re=10000时右下角次级涡中心误差从基线PINN的(11.01%, 21.33%)降至(3.23%, 6.31%)。峰值涡量幅度比较同样显示VE-PINN更接近参考解,Re=10000时右下角次级涡参考峰值涡量为4.05310,基线PINN为3.0159,VE-PINN达3.7231。
参数敏感性分析研究结果表明,VE-PINN的性能增益不依赖于脆弱的超参数组合,且存在稳定的可操作区间。协同权重分析发现,中等涡量权重(λ
vort≈0.5-1.0)实现最优精度-稳定性权衡,过小不足以抑制高阶导数噪声,过大则过度限制解空间;PDE权重(λ
pde)过小削弱物理一致性,过大抑制数据拟合能力。配点密度分析表明,增加配点密度一般可降低速度大小均方根误差(RMSE),稀疏配点案例在水平速度u上表现出更大的整体误差。
计算时间分析结果表明,添加涡量增强组件使训练时间相对于基线PINN增加约30%,源于辅助涡量残差通过自动微分引入额外导数计算。但该增量相对于重复CFD模拟成本可忽略,且低于增大网络规模或多组损失权重调优的常见开销,在实际稳态参数化替代建模中具有可接受的性价比。
讨论与结论部分,研究总结指出VE-PINN的主要科学贡献并非新的独立模块,而是两个互补物理信息增强组件在统一参数化PINN框架中的靶向集成:对数雷诺数嵌入缓解工况崩溃并改善跨工况参数调节,涡量输运残差作为辅助导数级正则化项强化涡主导动力学的监督。受控基准协议作为支撑验证框架,专门设计用于隔离和验证各组件贡献,使性能增益明确归因于耦合设计而非偶然实现选择。实验表明VE-PINN提供比基线PINN更优的收敛稳定性和流场精度,在较高雷诺数下优势更明显。研究将涡量增强项理解为物理信息导数级正则化而非独立于纳维-斯托克斯系统的新物理定律,其从应用角度可作为重复CFD评估的实用替代模型。局限性在于聚焦稳态二维基准、固定配点采样和手动调参,且Re=100000的范围外推案例应谨慎解读,因其仅针对相同稳态公式下数值收敛的稳态参考解进行评估,未表征该雷诺数下所有可能的流动状态,多值稳态分支或非定常动力学超出研究范围。未来工作将拓展至非定常和三维流动、湍流 regime及更复杂几何,并探索自适应残差采样、自动损失平衡、PINN-CNN或PINN-GNN混合架构以及多保真度迁移策略。