双通量(Bevilacqua–Gale?o)反常扩散方程的物理信息代理模型(PINN Surrogate Model)

《Eng》：A Physics-Informed Surrogate Model for the Bi-Flux Bevilacqua–Gale?o Anomalous Diffusion Equation

　　

双通量(Bevilacqua–Gale?o)反常扩散方程中双通量(bi-flux)反常扩散现象的精确建模在工程领域面临显著计算挑战。本文研究了将物理信息神经网络(Physics-Informed Neural Networks, PINNs)作为双通量反常扩散方程代理模型的有效性，考察了一维线性和非线性情形。研究人员采用改进的差分进化(Differential Evolution, DE)算法确定最优超参数配置，目标函数由损失值组合引导，该方法可对不同神经网络构型进行严格评估，为从事双通量反常扩散现象研究的研究人员提供实用指导。文中对所分析模型对比了物理信息神经网络与传统多层感知机(Multilayer Perceptron, MLP)。最后评估了性能最优模型作为虚拟传感器(virtual sensor)的能力。本工作为指导利用神经网络高效准确地处理复杂双通量反常扩散问题提供了依据，有望加速此类过程至关重要的领域的研究与开发。

双通量(Bevilacqua–Gale?o)反常扩散方程的物理信息代理模型研究解读

本文发表于《Eng》期刊，研究对象为Bevilacqua–Gale?o（BG）双通量(bi-flux)反常扩散方程，该模型通过引入主通量与反向二次通量的复合通量来描述非Fickian传输中的粒子暂留行为，其控制方程含四阶空间导数项。传统有限差分法(Finite Difference Method, FDM)求解该方程计算成本高，尤其在反问题参数估计中需反复正演求解；而纯数据驱动的多层感知机(Multilayer Perceptron, MLP)缺乏物理约束，外推能力弱。因此研究人员开展本研究，利用物理信息神经网络(Physics-Informed Neural Network, PINN)嵌入偏微分方程(Partial Differential Equation, PDE)残差构造损失函数，并结合差分进化(Differential Evolution, DE)算法自动寻优网络超参数，构建高效代理模型(surrogate model)，并验证其在正问题逼近及反问题参数估计与浓度场重构中的应用价值。

主要关键技术方法：

研究人员针对一维BG双通量反常扩散方程设三种情形——再分配参数α为常数、α随空间呈对数律α(x)=α₀+α₁ln(x+1)、α随浓度呈Sigmoid律α(C)=α₀/[1+exp(-k(C-C₀))]——由FDM在高保真网格(N_x=201, N_t=1001)生成合成训练数据(70/15/15切分)。PINN输入为(x, t, D, d, R, α)，输出为浓度C(x,t)，损失函数L=λ·MSE_data+MSE_PDE+MSE_BC/IC，PDE残差与边界初值条件通过自动微分(Automatic Differentiation)计算，配置点N_c=5000均匀采样；纯数据MLP对照设λ=0剔除物理项。超参数（隐层数2–10、每层神经元20–100、学习率10^-4–1.0、17种激活函数编码为整数）搜索空间由改进DE算法(种群10，代数20，重复4次取优)以训练与验证损失均值为目标函数优化选定。最优PINN作为正向求解器嵌入DE反演框架，对含高斯噪声(σ=0.01)的合成污染物泄漏浓度数据估算空间变化介质参数(D, d, R, α)，并用作虚拟传感器重构全场浓度剖面；局部归一化灵敏度系数S_p^norm=(p/?)·??/?p辅助测点敏感性分析。

研究结果

4.1. Numerical Validation and Verification

通过网格收敛性分析，相对L₂误差随空间节点数N_x增至201、时间节点数N_t增至1001后趋于饱和，确定FDM参考解采用N_x=201, N_t=1001以保证数值精度。

4.2. Surrogate Model

DE优化结果表明：纯数据MLP倾向单层或双层浅网架构；PINN优选2至7层隐含层（个别达10层），激活函数以tanh为主。插值域内PINN与MLP精度相当（MLP略低RMSE属物理正则化代价）；外推参数超出训练域10%时MLP的RMSE增逾两个数量级而PINN仅增约十倍，证明物理约束提升泛化能力。训练历史显示各损失分量同步下降并于约8000轮稳定。PINN替代FDM作正向求解器使DE反演耗时由约7800 s降至约3740 s（含一次性3700 s训练费），当DE运行超5次即摊销训练开销，本次30次运行实现约52%计算成本削减。

4.3. Training Stability and Robustness

不同随机种子重训最优架构，相对L₂误差波动小于均值1%，表明收敛可重现；训练目标叠加零均值高斯噪声至σ=0.01对RMSE影响微小，σ>0.02致PDE损失不收敛，说明模型具适度抗噪性但对高噪敏感。

4.4. Sensitivity Analysis

计算浓度场对各BG系数的归一化灵敏度，D与R在中域t>0时段灵敏度较高，α与d整体灵敏度低，预示后者难由浓度数据单独反演，且敏感区（中域中段）宜布设传感器，边界附近因固定边界条件致灵敏度近零。

4.5. Parameter Estimation of a Heterogeneous Medium

假定真实介质服从对数再分配律(α(x)=α₀+α₁ln(x+1), D=1.0, d=0.5, R=0.2)，30次DE反演给出各参数空间剖面估计值与95%置信区间，与真值吻合较好；边界邻近区置信带加宽对映低灵敏度结论。PINN作为快速求解器使反演总耗时较FDM降低约52%。

4.6. Reconstruction of the Concentration Curve

将反演所得均值参数代入训练后PINN，输出全场时空浓度分布，与真参数FDM解对比绝对误差分布较小，证实优化PINN可作为虚拟传感器由稀疏测点低成本重构完整浓度剖面。

讨论与结论翻译（Concluding Remarks浓缩总结）：

差分进化算法可有效遍历双通量反常扩散PINN超参数空间，获得目标函数值10^-4–10^-3量级配置；MLP优选浅层，PINN优选2–10层隐含层并以tanh等光滑激活函数为主。物理嵌入使PINN在外推情景远优于纯数据MLP。PDE复杂度影响网络深度需求——变系数(α(x)或α(C))需更深网络，常系数可用较简架构。将优化PINN作快速求解器嵌入DE反问题，成功估算非均匀介质空间变化参数并重构污染物浓度场，计算时间减少约52%。未来可向二维域扩展，纳入不确定性量化及自适应架构迁移至相关扩散现象。