《Energy and AI》:Data-driven prediction of interface evolution in multiphase flows using Fourier Neural Operators
编辑推荐:
多相流在能源化工、生物环境等诸多自然与工程系统中占据核心地位。针对气液两相体系,传统计算流体动力学(Computational Fluid Dynamics, CFD)方法,如体积分数法(Volume-of-Fluid, VoF)与水平集法(Level-Set
多相流在能源化工、生物环境等诸多自然与工程系统中占据核心地位。针对气液两相体系,传统计算流体动力学(Computational Fluid Dynamics, CFD)方法,如体积分数法(Volume-of-Fluid, VoF)与水平集法(Level-Set),虽能有效捕捉复杂界面演化,但因需精细网格与小时间步长,导致计算成本极高,难以满足大规模系统优化、实时控制及数字孪生(Digital Twin)的应用需求。神经算子(Neural Operators, NOs)作为求解偏微分方程(Partial Differential Equations, PDEs)的新兴工具,其中傅里叶神经算子(Fourier Neural Operators, FNOs)在处理流体动力学问题上表现出独特优势。本研究提出了一种基于FNO的数据驱动框架,用于预测二维多相流界面演化。研究人员构建了两个基准测试案例:一是溃坝(Breaking-of-a-Dam)的自回归模拟,二是包含1000种随机生成的落液构型的几何泛化测试。结果表明,在溃坝测试中,体积分数的均方误差(Mean Square Error, MSE)维持在1e-6至1e-5量级;在落液验证集中,决定系数(Coefficient of Determination, R2)达0.95,平均绝对误差(Mean Absolute Error, MAE)仅为1.69个网格单元,且液体体积守恒误差低于2%。相较于传统CFD,该方法将计算耗时降低了3至4个数量级,验证了其在构建快速预测组件方面的巨大潜力,可支持未来的实时监控、优化与控制工作流。
论文解读:基于傅里叶神经算子的多相流界面演化预测研究
研究背景与意义
多相流广泛存在于能源生产、化工分离及环境工程中,其界面动力学的精准预测是实现系统高效调控的关键。目前,主流的数值模拟手段如体积分数法(Volume-of-Fluid, VoF)和水平集法(Level-Set)虽然精度较高,但受限于严格的网格与时间步长要求,计算成本极为昂贵,严重制约了其在大规模工业优化及实时闭环控制中的应用。随着科学计算的发展,物理信息神经网络(Physics-Informed Neural Networks, PINNs)和神经算子(Neural Operators, NOs)为解决此类高维非线性问题提供了新范式。其中,傅里叶神经算子(Fourier Neural Operators, FNOs)凭借其在谱空间处理全局依赖关系的特性,在流体力学领域展现出卓越性能。然而,针对具有尖锐界面的气液两相流预测,尚缺乏成熟的纯数据驱动预测模型。为此,研究人员开展了基于FNO的多相流界面演化代理模型研究,旨在突破传统CFD的计算瓶颈。
主要技术方法
研究人员采用OpenFOAM框架中的interIsoFoam求解器生成高保真数据集,该求解器基于几何isoAdvector算法实现锐利界面追踪。研究设计了两项独立实验:案例一为溃坝流动的时间外推测试,案例二为1000个随机初始条件下的落液构型几何泛化测试。在数据预处理阶段,研究人员将不连续的VoF体积分数场转换为平滑的有符号距离函数(Signed Distance Function, SDF)以提升学习稳定性。模型构建上,采用了包含5层二维傅里叶层的网络架构,设置隐藏通道数为96,截断傅里叶模态数kmax为20,总参数量约11.8M。训练过程使用Adam优化器,以L2范数为损失函数,分别在时间切片和随机抽样两种策略下进行训练与验证。
研究结果
1. 案例一:溃坝流动预测
研究人员对溃坝过程进行了自回归预测。结果显示,FNO模型在仅使用前60%时间序列进行训练的情况下,能够准确预测剩余40%时间内液体的冲击与变形过程。预测场的体积分数均方误差(MSE)稳定在1e-6至1e-5区间。误差分析表明,预测偏差主要集中在界面梯度最大的区域,即液壁撞击处,这证明了模型成功捕捉到了非线性的流体动力学特征。
2. 案例二:落液动力学学习
在涉及1000种随机初始构型的落液实验中,FNO展现了出色的几何泛化能力。在未见过的验证集上,模型预测的有符号距离场达到了0.95的决定系数(R2),平均绝对误差(MAE)仅为1.69个网格单元。同时,液体体积守恒误差被控制在2%以内,验证了模型在复杂形态演化中的物理一致性。
3. 性能验证与对比
在与DeepONet的对比中,FNO在收敛速度和最终验证损失上均表现更优。尽管FNO的训练时间(1443秒)长于DeepONet(647秒),但两者的推理速度极快,约为1.3e-3至1.7e-3秒,相比单次CFD模拟所需的约10秒,实现了3到4个数量级的加速。
4. 局限性与讨论
研究指出,当前模型未嵌入物理约束,在面对分布外(Out-of-distribution)的极端工况时可能存在误差累积风险。此外,从二维扩展到三维模拟将面临数据集生成成本呈指数级增长的挑战。
研究结论
该研究成功构建了一种基于FNO的多相流界面演化代理模型,证明了其在无显式控制方程参与的情况下,仅凭数据即可学习复杂的流体动力学映射。研究人员认为,该方法不仅在二维溃坝和随机落液场景中实现了高精度预测,更重要的是将推理速度提升了数千倍,这为构建低延迟的数字孪生(Digital Twin)系统、实现多相流过程的实时监测与闭环控制提供了切实可行的技术路径。未来的工作将致力于向三维系统的扩展及相变过程的预测。