基于物理信息神经网络(PINNs)的湍流燃烧建模研究：从非反应流到混合框架的突破

本文创新性地将物理信息神经网络(PINN)应用于湍流燃烧预测，通过改进损失函数设计、引入初始化策略，构建了"纯物理驱动-数据辅助混合"的递进式建模框架。研究首次实现PINN在非反应湍流射流中的高精度预测（误差<8%），揭示了局部收敛于非耗散湍流的局限性，并通过耦合传统CFD数据建立参数化代理模型，为工程湍流燃烧优化提供了新思路。

　　

Highlight亮点

本研究通过解构湍流燃烧预测难题，结合传统数值模拟初始化策略，系统探索了物理信息神经网络(PINN)的直接预测潜力。主要创新包括：

1. 1.

   在非反应湍流射流问题中引入湍流粘度输出和动态权重算法，使纯物理驱动的PINN模型首次实现湍流场准确模拟

2. 2.

   发现反应性湍流燃烧中模型会收敛于非耗散湍流的局部最优解，但仍能部分捕捉燃料-空气界面的燃烧现象

Conclusions结论

1. 1.

   通过输出湍流粘度和改进损失函数，纯物理驱动的PINN成功预测非反应湍流射流

2. 2.

   混合神经网络框架耦合CFD数据后，在湍流燃烧问题中实现多物理场高精度预测（大部分区域相对误差<8%）

3. 3.

   基于混合框架建立的参数化代理模型，可预测特定入口速度范围内的温度场分布

Novelty and significance创新与意义

该研究首次系统验证了PINN在湍流燃烧中的适用性，通过"纯物理驱动-数据混合"的递进策略，为复杂工程场景中的燃烧优化提供了新范式。建立的参数化模型显著提升计算效率，相比传统CFD方法节省14%时间成本。