基于物理信息神经网络(PINN)的圆柱体涡激振动流场重构与力特性预测研究

本研究针对传统涡激振动(VIV)研究中实验成本高、计算流体动力学(CFD)计算资源消耗大的问题，创新性地采用物理信息神经网络(PINN)方法，通过嵌入Navier-Stokes方程等物理约束，实现了仅需14,000个散点数据即可高精度重构流场（速度场MSE 3.49×10-6 ，压力场MSE 8.6×10-2 ），并成功预测单/双圆柱系统的刚度系数（误差1.2%-3%）和升阻力（MSE低至10-8 量级），为海洋工程结构振动预测提供了高效新范式。

　　

在海洋工程、桥梁建设和风力发电等领域，圆柱结构在流体中产生的涡激振动(VIV)一直是工程安全的重大威胁。当流体绕过圆柱体时，交替脱落的涡流会产生周期性脉动力，引发结构振动并改变周围流场状态。传统研究方法主要依赖风洞实验和计算流体动力学(CFD)模拟，前者成本高昂且测试范围有限，后者在求解雷诺平均Navier-Stokes(RANS)方程时需要消耗大量计算资源，特别是在高雷诺数条件下，湍流模型的选择会显著影响结果精度。面对这些挑战，物理信息神经网络(PINN)这一融合物理定律与深度学习的新兴方法，为解决复杂流固耦合问题提供了全新思路。

来自中国的研究团队在《Applied Ocean Research》发表的研究中，创新性地将PINN应用于VIV系统的流场重构和力特性预测。该研究通过将流体动力学偏微分方程嵌入深度学习框架，构建了结合物理约束与数据驱动的混合模型。关键技术包括：1)采用Star-CCM+软件获取单/双圆柱系统的CFD训练数据；2)设计10层全连接神经网络，以sin(x)为激活函数处理周期性振动特征；3)在损失函数中整合N-S方程残差与数据误差；4)应用自适应学习率优化策略(1e^-3
-1e^-6
)完成10万次迭代训练。

在单圆柱系统研究中，PINN仅需140个时间点的位移数据，就成功预测了横向和流向刚度系数（误差分别为1.2%和3%），升阻力预测的均方误差达到3.97×10^-8
和6.05×10^-8
的超低水平。对比Tanh和ReLU激活函数，sin(x)展现出对周期性振动的最佳拟合能力，将位移预测误差降低2个数量级。通过14,000个散点的流场重构实验，模型在不依赖压力数据的情况下，仍能准确预测压力场分布（MSE 7.6×10^-2
），验证了物理约束的有效性。

针对更复杂的双圆柱系统，研究在Re=150条件下成功解析了尾流干扰效应。PINN精确预测了下游圆柱的横向位移和升力变化，其预测结果与CFD结果的偏差保持在最小范围。值得注意的是，该方法通过单次训练即可实现全时空推理，而传统CFD需要进行耗时的时步迭代计算。在双圆柱间距5D的工况下，模型准确捕捉了上游圆柱尾流对下游圆柱振动特性的调制作用，位移和升力预测曲线与实验数据高度吻合。

这项研究证实了PINN在VIV研究中的多重优势：首先，通过物理约束减少对大数据集的依赖，仅用0.1秒间隔采样的稀疏数据就能完成高精度预测；其次，sin激活函数显著提升了周期性振动的建模能力；最重要的是，该方法实现了流场重构与参数反演的统一求解，为难以直接测量的压力场和 hydrodynamic loads 提供了新的获取途径。相比传统CFD方法2.3小时的计算耗时，PINN在20分钟训练后即可实现实时预测，展现出显著的效率优势。

在讨论部分，作者指出当前研究仍局限于低雷诺数层流场景，未来需要拓展至高雷诺数湍流工况。研究团队建议通过将RANS/LES的湍流封闭模型嵌入损失函数，增强PINN处理复杂流动的能力。这项成果不仅为海洋立管、跨海大桥等工程结构的振动预测提供了创新解决方案，也为多物理场耦合问题的研究开辟了新途径。随着算法的持续优化，PINN有望在风电叶片气弹响应、海底电缆动态分析等前沿领域发挥更大作用。