全球向碳中和的转型显著加速了氢能系统的发展和部署,包括上游生产设施和大规模地下储存基础设施[1]。然而,氢能基础设施的快速扩张也带来了更高的安全挑战。由于其低分子量、高扩散性和宽燃性范围,氢气容易通过小开口泄漏并在密闭空间中积聚,从而增加爆炸风险和相关环境影响[2]。计算流体动力学(CFD)方法被广泛用于分析氢气扩散行为,并提供关于流场和浓度分布的详细见解。然而,高保真度的CFD模拟计算成本高昂且耗时较长,不适合用于动态工业环境中的实时安全监测和快速应急响应。为了解决这一限制,基于物理的深度学习方法,特别是基于物理信息的图神经网络(GNN),已成为有前景的替代方案。通过将控制物理定律整合到数据驱动模型中,这些方法旨在实现预测准确性和计算效率之间的平衡,从而支持下一代主动氢能安全监测系统的发展[3]。
高保真度的实验观察是揭示氢气泄漏复杂机制的基础,并且是验证物理约束框架的基石。关于在各种情况下捕捉时空演变模式和耦合机制的研究,当代研究主要集中在这一问题上。为了表示密闭空间中的非线性时空特征,姚等人[4]使用He替代物在汽车驾驶舱中进行实验,展示了不同通风协议下的浓度瞬态积累。在地下基础设施中,常等人[5]通过减少尺度的实验进行了近场瞬态流动研究,并量化了由氢气混合引起的方向依赖性扩散。此外,朱等人[6,7]绘制了多孔土壤介质中的3D扩散剖面,并使用分布式光纤解释了由焦耳-汤姆逊效应引起的局部冷却,这表明需要将热-浓度场耦合起来。关于多物理耦合机制,舒等人[8]在交叉流条件下获得了浮力射流的轨迹曲率,并验证了瞬态流动重建模型。关注几何约束,刘等人[9]推导了富氢射流火焰几何的无量纲相关性。在高性能计算(HPC)领域,小林等人[10]指定了在宽温度范围(50 - 300 K)内的质量通量,以支持源项边界条件。最后,为了确保数据的真实性,Cirrone等人[11]识别了低温释放中的热力学差异,陈等人[12]提出了一种多项式校正算法来纠正氦气替代实验的浓度。这些研究为基于物理的建模提供了坚实的基础。
虽然实验观察是重要的真实依据,但它们在时空分辨率上的固有局限性需要使用计算流体动力学(CFD)作为主要的调查工具。当代数值研究广泛利用了先进的算法来解决拓扑效应和多物理耦合机制。在涉及复杂几何形状的情景中,康等人[13]和Haji Abbas等人[14]应用了细粒度拓扑建模,揭示了障碍物和上升射流会诱导强烈的涡流区域,显著延长了平衡时间。为了满足移动环境的需求,毛等人[15]采用了空间敏感性分析来研究爆炸超压,而李等人[16]确定需要高阶湍流闭合方案来准确捕捉浮力引起的分层。为了提高多物理问题的真实性,田等人[17]和刘等人[18]将实际气体状态方程(EOS)与渗流-扩散耦合相结合,以考虑多孔介质中的热力学非理想性。同样,李等人[19]利用化学反应流动模拟阐明了火焰几何与热剂量之间的非线性相关性。此外,处理动态边界条件(如射流相互作用[20]和风切变[21]的强大CFD框架使常等人[5]能够量化公用隧道中的水平扩散加速机制。
高保真度CFD的昂贵计算成本需要向高效替代建模的范式转变。机器学习与流体动力学的整合已成为一种革命性的范式。Vinuesa[22]和Brunton等人[23]证明深度学习可以显著降低数值模拟的计算成本,同时保持可接受的准确性。早期应用主要依赖于深度神经网络。例如,焦等人[24]和宋等人[25]应用DNN来模拟高维扩散过程和自适应布局。为了衡量不确定性,深度概率学习也很著名:Shi等人[26]使用基于物理的概率模型来预测天然气释放和海上爆炸。李等人[27,28]还将该模型应用于氢气羽流和射流火灾,并为紧急情况提供了置信区间。谢等人[29]此外,邵等人[30]引入了混合CFD–ml框架用于实时易燃体积估计。在一些具有更复杂几何形状的实例中,GNN也被用来处理Shi等人[31]的非欧几里得城市规模气体爆炸,以及参考文献[32,33]的BLEVE超压和结构响应预测。然而,纯数据驱动模型的“黑箱”问题仍然是一个瓶颈。为了提高物理一致性,Lopes等人[34]、王等人[35]将纳维-斯托克斯方程嵌入神经网络以重建无标签的流动。张等人[36]和吴等人[37]在这些研究的基础上,通过对GNN和一维框架添加物理约束来推断射流扩散和火焰参数。李等人[38]还使用数据增强(DA)来解决氢气混合情况下的数据稀疏问题:然而,现有架构仍然难以在保持物理一致性的同时解决受限三维扩散过程中的长序列非线性演变。
为了解决上述限制,本研究开发了一个基于物理信息的时空预测框架,称为PhyGNN-LSTM。该框架结合了受控泄漏实验进行验证,使用高保真度CFD模拟生成大规模数据,并使用基于物理约束的深度学习模型进行实时氢气扩散预测。这种集成策略使模型能够从模拟数据中学习,同时保持与实验观察行为的一致性。
传统的基于物理信息的神经网络(PINNs)通常通过在全连接神经网络中进行全局配置采样来施加PDE约束。这样的公式通常涉及密集的梯度耦合,在应用于高维时空问题时可能效率低下。在当前框架中,控制方程残差在图节点上局部评估,而不是在整个域上评估。使用基于图的空间表示结合循环时间建模,使模型能够捕捉局部传输行为,同时保持计算成本的可管理性。
尽管最近的研究探索了基于物理信息的神经网络和基于图的替代模型,但仍存在几个挑战。纯数据驱动模型在应用于训练范围之外的条件时可能会违反守恒原理并产生非物理的浓度场。此外,许多现有的基于物理信息的GNN方法主要关注空间约束,没有明确包括时间记忆,这限制了它们表示长期非线性演化和浮力驱动扩散中的累积传输过程的能力。
PhyGNN-LSTM框架通过在一个统一的架构中结合空间图学习、循环时间编码和基于PDE的物理正则化来解决这些问题。这种设计使模型能够描述瞬态三维氢气扩散,同时保持计算效率和合理的泛化能力。