面向参数化ADR方程的自适应多区间数值方法及神经引导网格加密

《IEEE Access》：An Adaptive Multi-Interval Numerical Method With Neural-Guided Mesh Refinement for Parametric ADR Equations

　　

研究人员提出了一种参数化深度学习辅助的数值框架，用于高效且鲁棒地求解非线性一维对流-扩散-反应（Advection-Diffusion-Reaction, ADR）方程，尤其关注以薄边界层为特征的强对流主导情形。该框架将参数-几何自适应深度神经网络（Parameter-Geometry Adaptive Deep Neural Network, PGA-DNN）与高保真数值求解器无缝耦合。PGA-DNN采用具有多个隐藏层和非线性激活函数的前馈架构，并利用由求解器生成的解数据以循环、数据驱动的方式进行训练。这一设计使其能够在不同参数区域和网格配置之间提供灵活且自适应的表示。

为克服经典Chebyshev谱配点（Chebyshev Spectral Collocation, ChSC）时间离散方法与时变非均匀空间网格之间的不兼容性，研究人员构造了一种隐式-显式局部微分变换法（Implicit-Explicit Local Differential Transform Method, IELDTM）并结合多区间Chebyshev配点方案（IELDTM-MIChSCM）。进一步将空间自适应性引入该求解器，形成了完全自适应的自适应隐式-显式局部微分变换多区间Chebyshev谱配点方法（AIELDTM-MIChSCM）。通过将扩散系数显式作为网络输入参数，该框架能够在单一训练过程中学习完整的参数化解族，从而避免针对不同扩散区域进行重复训练。

在自适应阶段，物理信息残差指导每个时间子区间上时变非均匀空间网格的构造。这些网格被直接嵌入AIELDTM-MIChSCM求解器中，而所得的高保真数值解则被迭代用于丰富神经网络的训练数据集。针对具有代表性的非线性ADR基准问题的大量数值实验表明，与若干现有方法相比，所提方法在精度和计算效率方面均取得了更优表现。

研究背景与问题
带参数的偏微分方程（Partial Differential Equation, PDE）是描述输运、扩散与反应现象的核心数学模型；一维非线性对流-扩散-反应（Advection-Diffusion-Reaction, ADR）方程在流体力学、化学过程系统与环境扩散等问题中尤为重要。当扩散系数ε很小时，解会出现薄边界层或尖锐内层，给数值计算带来困难：均匀网格必须全局加密以避免非物理振荡，导致计算量与内存需求急剧增加；传统自适应网格加密（Adaptive Mesh Refinement, AMR）依赖人工设计的误差指示子，在参数变化和时变情形下需反复校准，难以在不同扩散区域保持鲁棒性。近年来，深度学习既能以数据驱动方式逼近复杂映射，也可通过物理信息神经网络（Physics-Informed Neural Networks, PINN）将PDE残差作为误差指示子。然而，多数数据驱动方法不与底层求解器交互，而PINN在小扩散区域精度不足。为此，研究人员提出将参数化学习与物理信息正则化结合，在单一训练过程中学习参数化解族，以神经网络引导网格自适应。

研究概述
研究人员构建了参数化深度学习辅助数值框架：以参数-几何自适应深度神经网络（PGA-DNN）为引导、以自适应隐式-显式局部微分变换多区间Chebyshev谱配点方法（AIELDTM-MIChSCM）为唯一高保真求解器。PGA-DNN将扩散系数ε作为输入，经数据驱动预训练和物理信息残差驱动的自适应采样，识别最困难的扩散参数并构造时变非均匀空间网格；这些网格直接嵌入AIELDTM-MIChSCM，生成的数值解再被迭代加入训练集，实现求解器与学习模型的紧密耦合。该成果发表于《IEEE Access》。

关键技术方法概括（不超过250字）
该框架的数值核心由隐式-显式局部微分变换法（IELDTM）推广而来：将时间全域[0,t_f]分解为K个子区间并采用N阶Chebyshev谱配点，得到局部时间微分矩阵，将每个子区间上的PDE化为空间边值问题并以局部Taylor级数离散；相邻自适应网格之间通过五阶Hermite投影算子传递解；以tansig激活函数构建的前馈PGA-DNN将(x,t,ε)映射到近似解，利用AdamW优化数据损失，并以PDE残差选择困难扩散参数，再对区间平均残差做对数缩放和归一化以分配加密权重，生成时变非均匀网格并指导AIELDTM-MIChSCM计算。

研究结果
问题1（Burgers-Fisher方程）：对u_t+αuu_x=εu_xx+βu(1-u)在四组α=β=0.001,0.01,0.1,1情形下，PGA-DNN预测的参数化解与精确解吻合（表2、图2）。点wise比较表明，在α=β=0.001、ε=1时，AIELDTM-MI在所有记录时空点上优于Exp函数法、指数时间差分法、B样条配点法、六阶紧致差分法和IELDTM。对α=β=0.01，AIELDTM-MI较有限元法（Finite Element Method, FEM）以更少的自由度（degrees of freedom, dof）和CPU时间获得更高精度（表4）。表5中固定N=5、K=5、L=4，随ε减小，AIELDTM-MI在精度相当或更优的同时获得数量级加速；M=32、ε=2^-12时加速超过30倍。

问题2（Burgers方程）：在u_t+uu_x=εu_xx上，PGA-DNN随ε减小保持稳定精度（表7、图3）。图4-图5显示其生成的网格在移动边界层处集中节点，ε越小加密越强。表8中AIELDTM-MI在M=20与M=32时的误差和CPU时间均优于IELDTM和基于梯度监测函数（Gradient-Based adaptive Mesh, GBM）的AIELDTM-MI；ε=2^-7时M=32的CPU时间从125.56秒降至11.84秒。

问题3（Burgers方程）：问题解表现光滑，PGA-DNN给出近似均匀网格，AIELDTM-MI以更少的自由度取得与混合数值方案法（Hybrid Numerical Scheme Method, HNSM）、 tailor-made有限点法（Tailored Finite Point Method, TFPM）、基于粒子群优化的神经网络（ANN-PSO）及基于人工蜂群优化的神经网络（ANN-ABC）相当或更优的精度（表9、图6-图7）。

问题4（Burgers方程）：精确解为Fourier级数形式，PGA-DNN能捕捉参数化解的急剧变化区域（图8），最大绝对误差随ε减小略有增加，相对误差稳定（表10）。在t=1时与修正三次B样条微分求积法（MCB-DQM）、FEM、四阶修正三次B样条法（MCBCT4）、二阶对称分裂法（Mc(10,2)）、TFPM和ANN-PSO等比较，AIELDTM-MI在ε=0.01时仍保持高点wise精度（表11、表12）。

讨论、结论与研究意义
研究人员的讨论指出，五阶Hermite投影在网格切换时的守恒误差约为10^-7—10^-6，且不随时间子区间累积，空间离散误差始终占主导（表13、附录A）。附录C中的超参数研究表明64×4隐藏层配置可在准确性与训练代价间取得平衡；附录D的多参数推广实验说明，PGA-DNN能同时学习(ε,β,α)参数组合的影响。

研究结论翻译如下：
在本研究中，研究人员提出了一种参数化深度学习辅助的数值框架，用于高效求解非线性ADR方程。该方法将AIELDTM-MI与PGA-DNN相结合，后者被用作残差驱动的网格生成机制，而非独立的替代求解器。本工作的核心贡献之一是将扩散系数显式纳入网络输入，从而能够在单一训练周期内学习完整的参数化解族，并消除了扩散系数变化时需要重新训练的必要。第二个关键贡献是将神经网络引导的几何自适应融入数值求解过程。通过利用物理信息残差，PGA-DNN能够动态地在连续时间层上构造非均匀空间网格；这些自适应网格被直接用于增强的AIELDTM-MI求解器中，而该求解器始终作为唯一的高保真求解器。这种紧密耦合的策略显著提高了数值解的精度和数值稳定性，特别是在具有尖锐内层和强参数敏感性的区域。在ADR系统中，此类边界层通常代表由于输运与扩散效应竞争而形成的陡峭浓度或温度梯度；这些梯度常见于污染扩散、传热或反应流动，因此捕捉其空间演化对于获得物理一致的输运动态至关重要。大量覆盖广泛扩散参数的数值实验表明，所提出的自适应框架在尖锐层分辨率、误差降低和计算成本方面均优于均匀离散策略。与IELDTM、标准数据驱动方法以及基于PINN的求解器相比，PGA-DNN增强的AIELDTM-MI在所有测试参数区域均提供了精度与计算效率之间更优的平衡。值得注意的是，光滑解区域的冗余加密被自然避免，凸显了基于残差自适应机制的鲁棒性与可靠性。

未来研究可扩展至高维问题、多参数配置、更强耦合的非线性系统以及其他具有急剧梯度特征的演化方程。