用于模拟上升气泡界面动力学的操作员学习方法
《Engineering Applications of Artificial Intelligence》:Operator learning methods for modeling interfacial dynamics of rising bubble
【字体:
大
中
小
】
时间:2026年04月05日
来源:Engineering Applications of Artificial Intelligence 9.0
编辑推荐:
李世炯|冯建文|阮国雄|白承燮|崔尚勋韩国大邱庆北国立大学机械工程与IEDT学院摘要两相流涉及两种不同相态的同时动态变化,在工业领域具有诸多重要意义。然而,无论是通过实验还是数值模拟来精确建模这类流动,都需要大量的计算资源才能捕捉复杂的界面动力学行为。本研究测试了三种不同的神经运
李世炯|冯建文|阮国雄|白承燮|崔尚勋韩国大邱庆北国立大学机械工程与IEDT学院摘要两相流涉及两种不同相态的同时动态变化,在工业领域具有诸多重要意义。然而,无论是通过实验还是数值模拟来精确建模这类流动,都需要大量的计算资源才能捕捉复杂的界面动力学行为。本研究测试了三种不同的神经运算符——傅里叶神经运算符、具有物理感知能力的循环卷积运算符以及深度运算符网络,旨在加速两相流动力学的模拟过程。我们采用了单个气泡上升(140组数据)和气泡凝结(50组数据)这两个基准问题,用于预测体积分数、压力、速度场等参数。该框架仅依据初始条件和边界条件即可预测整个时间演化过程,而流体密度、动力粘度、表面张力系数等物理参数则被设定为初始条件。在单个气泡上升的案例中,傅里叶神经运算符取得了最佳精度,其在预测体积分数场时的均方根误差仅为0.0154。而在气泡凝结的案例中,深度运算符网络的均方根误差最低,为0.0123。此外,我们还研究了每种方法的计算效率与特点,以及其在建模两相流方面的应用潜力。总体而言,这项研究为利用神经运算符解决基础基准问题提供了实用思路,进一步证明了神经运算符作为高效替代模型在大幅降低计算成本的同时,仍能用于模拟多种物理现象。引言气液两相流在现实应用中十分常见,比如化学加工、防波堤周围的流动以及地球科学领域的应用(Aziz, 1979; Bear and Cheng, 2010; Hashemi et al., 2021; Pachauri et al., 2014)。在气液流动的建模与仿真中,从运动学和动力学角度而言,准确预测流体界面至关重要(Klostermann et al., 2013),因为界面决定了各相之间的动量和热传递。然而,对这些流动的实验研究以及高精度数值模拟往往需要耗费大量计算资源,这是因为必须考虑多种复杂现象,同时还需要高分辨率的网格结构(Jiang et al., 2024)。这些挑战凸显出迫切需要开发计算效率高、精度高的建模方法,以便为多相流系统构建实时数字孪生框架。实验研究为多相流领域带来了许多有价值的见解。Yoo等人(2016a, b)通过开展全面的实验研究,利用正方形向上流动中的单个活性成核点,获得了关于过冷流动的新数据集。在他们的实验装置中,使用了多个微观和宏观摄像头来记录气泡的整个演化过程,同时运用红外摄像头来获取对应的壁面温度分布。这些技术进步使得人们能够对气泡的行为进行统计分析,包括气泡的释放频率、速度以及大小和分布情况,还有滑动气泡与壁面热传递之间的相互作用。同样,Waltrich等人(2015a, 2015b)也对管道中的多相流进行了高精度实验,旨在缩小理论模型与实验观测结果之间的差距。不过,由于实验设置极为复杂,全面研究气泡动力学仍然是一项耗时且难以重复的任务。计算流体力学在模拟由偏微分方程所描述的各类物理现象方面取得了显著成就,其中包括气泡的动力学行为。通过为流体行为提供虚拟表征,计算流体力学使研究人员能够在远低于实验研究的成本和时间的条件下,模拟复杂系统中的流动动态(Li et al., 2018)。例如,Khan等人(2022)通过引入一种新的单元交替算法,改进了基于体积分数法的相变过程中气泡动力学的界面清晰度,从而实现了与实验结果的高度吻合。另外,Rashid等人(2023)通过数值模拟分析了微管中液态烃正庚烷的蒸发过程,揭示了稳定性、传热效率与燃料流速之间的关联。尽管计算流体力学模拟能够捕捉多相流的物理特性,但从网格生成到模拟本身的过程都十分耗算力,因此常常需要开发替代模型。随着人工智能算法的快速发展,已有众多方法被应用于解决复杂的工程问题(Al Anazi and Shahin, 2022; Alharbi et al., 2025; Aripov et al., 2025; Karar et al., 2020; Makatjane et al., 2025; Slamaa, 2025)。在科学计算领域,基于神经网络的方法已在高精度沸腾模拟中预测沸腾传热方面展现出出色性能(Liu et al., 2018)。在另一项研究中,Liu等人(2021)发现,借助基于机器学习的贝叶斯方法以及高分辨率数据,可以降低气泡流动模拟的不确定性。然而,在可用训练数据有限的情况下,物理信息驱动的神经网络通过将物理约束,通常是控制方程和边界条件,纳入训练目标,实现了范式的转变。这使得神经网络能够从有限或不完整的数据中学习潜在的物理规律,从而弥补训练数据不足的问题(Costabal et al., 2024; Karniadakis et al., 2021; Liu et al., 2023; Raissi et al., 2019)。物理信息驱动的神经网络最初是在特定固定条件下求解偏微分方程的,无法在不同条件下进行泛化。换句话说,一旦初始条件和边界条件或物理参数发生变化,就必须重新训练该网络。与此同时,神经运算符作为一种有前景的替代方案,逐渐取代了传统的数据驱动方法和物理信息驱动的神经网络,用于解决物理学和工程学领域的偏微分方程问题。这类运算符能够学习无限维函数空间之间的映射关系,从而实现对未知场景的预测。在各类神经运算符中,傅里叶神经运算符是一种较为知名的模型,它由Li等人(2020)提出,通过在傅里叶空间中对积分核进行参数化处理,来近似求解偏微分方程。事实证明,傅里叶神经运算符在多项现代先进模型中表现更为优异,包括U-Net(Chen et al., 2019)、TF-Net(Wang et al., 2020)和ResNet(He et al., 2016),尤其是在二维湍流模拟中。此外,Wang等人(2024a)通过利用历史数据提升了傅里叶神经运算符在预测燃气轮机端壁膜冷却过程中的性能,使其具有更好的泛化能力且计算成本更低。另一项值得关注的成果是深度运算符网络,它由Lu等人(2021)提出。深度运算符网络与傅里叶神经运算符的不同之处在于,它采用基于内积求和的双网络架构来近似运算符,从而能够在解空间的任意点进行查询。由于其具备较强的适应性,这一框架也被广泛用于求解偏微分方程。例如,Xu等人(2024)将物理驱动方法和数据驱动方法相结合,用于预测地面沉降情况,即便在数据存在噪声的情况下也能保持良好的性能。作为另一种类型的运算符学习方法,Nguyen等人(2024, 2023a)提出了具有微分器-积分器架构的物理感知型循环卷积神经网络,这种网络能够以数据驱动的方式模拟直接数值求解器的运行过程。该网络的微分器部分能够根据数据近似未知的控制方程,从而准确预测演化场的时间导数;随后积分器部分通过计算微分器预测出的时间导数的积分值,来得到经过时间演化后的物理场预测结果。与上述那些直接预测演化场的神经运算符方法相比,PARC方法在处理存在急剧梯度及快速瞬变现象的问题时表现更为稳健,比如高能材料中的热机械启动过程(Nguyen et al., 2023a, 2023b, 2024)以及超音速流动(Cheng et al., 2024a)。总体而言,上述三种类型的神经运算符模型——即深度运算符网络、傅里叶神经运算符和PARC——都具有各自的运算符层和网络架构特征。神经运算符的一个核心优势在于,它们能够克服传统基于机器学习的方法所固有的网格依赖性问题,从而使训练好的网络能够泛化到各种不同的场景中。因此,一旦完成训练,这些网络便能在不同条件下有效解决新问题,无需重新训练。这一特性对于那些涉及条件多变或存在较大不确定性的应用来说尤为重要(Li et al., 2023)。尽管运算符学习模型凭借其推理能力已经取得了令人瞩目的成果,但目前对其定性和定量性能的全面评估仍然十分有限,尤其是针对从单个气泡上升到复杂相变现象在内的各种两相流问题。因此,本研究的主要目标是建立一个高效且准确的运算符学习框架,该框架能够捕捉气泡动力学和相变过程的完整时空演化规律。具体而言,本研究旨在运用并评估傅里叶神经运算符、深度运算符网络和PARC这三种先进的神经运算符方法,构建出能够从初始条件推导出从简单单个气泡上升到复杂相变气泡凝结全过程的完整解场的替代模型。为了评估本研究的效果,我们对气泡的质心、圆度以及上升速度等关键指标进行了定量分析。这些研究成果有助于低成本地创建高精度的替代模型,以便用于多相流的实时模拟和数字孪生应用。本文的其余部分结构如下:第二部分介绍了单个气泡上升和凝结问题的控制方程,并描述了通过数值模拟得到的数值模型设置。第三部分阐述了傅里叶神经运算符、深度运算符网络和PARC模型的数学公式及其计算实现方式。第四部分说明了如何通过基准问题来评估神经运算符模型的精度和效率。最后,第五部分总结了本研究的内容,指出了其意义、研究发现、局限性以及未来的研究方向。片段内容数值模拟我们通过计算流体力学模拟研究了气体被液体包围时气泡的上升和凝结行为。这些数值模拟是在OpenFOAM软件中进行的,其中采用了连续体表面力模型,以此来考虑流体界面处的表面张力和温度梯度效应。该框架使得人们能够详细分析气泡的变形情况、上升速度以及其周围的流场特性,从而为深入理解相关现象提供依据。神经运算符本部分介绍了用于预测两相流中上升气泡动力学的神经运算符框架。如引言中所述,这些神经运算符是以初始条件和边界条件作为输入进行训练的,这样就能在单个网络中完成学习过程。即便初始条件或边界条件发生变化,该模型也无需额外训练即可给出预测结果。在本研究中,流体域的初始条件被用作输入,用于预测……训练与评估如2.2节所述,我们使用OpenFOAM数值求解器生成了140组模拟数据集,这些数据集中的流体物理参数被设定为不同的初始条件。在生成的这些数据集中,有112组用于训练,剩下的28组则用于测试。神经运算符的输入变量包括初始条件,即t=0时刻的c、α、p和u→这几个场量,这些数据被作为输入提供给神经运算符模型。结论与未来工作本研究证明,神经运算符框架能够预测气泡上升和凝结过程中的非线性及瞬态动态行为,而这些正是多相流动力学中的典型问题。与以往那些依靠时间序列或中间流动数据来预测非线性流动演化的研究(Hassan et al., 2023; Jalili et al., 2024)不同,本研究提出的框架仅需初始条件即可预测整个时间动态过程,这不仅体现了该框架的独特性,还……CRediT作者贡献说明李世炯:写作——审稿与编辑,写作——初稿撰写,项目管理,方法论,研究实施,概念构思。冯建文:写作——审稿与编辑,写作——初稿撰写,方法论,研究实施,数据整理,概念构思。阮国雄:验证,数据整理。白承燮:写作——审稿与编辑。崔相勋:写作——审阅与编辑、监督、项目管理、调研、资金筹集、概念规划。利益冲突声明作者声明自己不存在任何可能影响本文所述工作的已知财务利益或个人关系。致谢本研究部分得到了韩国政府资助的韩国国家研究基金会(MSIT)的支持(编号RS-2023-NR077008),同时还获得了韩国能源技术评价规划院(KETEP)以及韩国贸易、工业与能源部(MOTIE)的资助(编号RS-2022-KP002719)。
生物通微信公众号
生物通新浪微博
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