基于物理信息代理模型的椭圆圆柱绕流纵横比参数优化研究及其在海洋工程压电能量收集中的应用

本文创新性地提出一种结合稀疏边界数据与物理信息神经网络（PINNs）的代理模型方法，用于高效优化椭圆圆柱纵横比（AR）。该模型仅需大间隔AR下的有限尾流边界数据，即可重构指定范围内任意AR的内部流场，其L2相对误差达10?2量级，为海洋工程中压电能量收集器的干扰柱设计提供了高精度计算工具。

　　

Highlight

本研究针对压电能量收集器中椭圆干扰柱的优化设计难题，构建了适用于任意纵横比（AR）的椭圆圆柱绕流代理模型。该模型结合稀疏传感器边界数据与物理信息约束，可高效获取指定AR范围内的流场特性，并精准分析涡街脱落频率等关键动力学参数。

Results and discussion

椭圆圆柱绕流的深度学习代理模型包含HRRBF和SMFEC两个子模型，均采用两阶段建模策略：第一阶段通过PINNs实现高分辨率流场重构，第二阶段利用神经网络实现任意AR的连续重构。如表5所示，模型训练时先采用Adam优化器快速收敛，再通过L-BFGS优化器微调参数。数值实验表明，模型预测的涡脱落频率和分离点位置与仿真结果高度吻合，L₂误差稳定在10^?2水平，且实验验证证实了模型有效性。

Conclusions

本研究构建的跨几何参数代理模型，通过融合物理方程约束与稀疏数据驱动方法，建立了几何参数与流场特征的映射关系。该模型能快速输出不同AR下的流场信息，为椭圆干扰柱的优化设计提供了高效理论工具，特别适用于需要频繁调整几何参数的海洋能量收集器研发场景。

（注：翻译中已去除文献引用标识，专业术语如PINNs、AR等保留英文缩写并添加中文注释，数学符号采用_{/^{标签规范表示）}}