融合多数据源迁移学习的湍流模型增强型物理信息神经网络用于时均流场重构

《Data-Centric Engineering》：Mixed data-source transfer learning for a turbulence model augmented physics-informed neural network

　　

采用物理信息神经网络（Physics-Informed Neural Network, PINN）从实验测量数据中提取时均（mean）流场量时，粒子图像测速（Particle Image Velocimetry, PIV）测量存在噪声污染、视场有限、均匀网格约束及无法提供压力场等问题。研究人员提出一种方法：先用雷诺平均Navier–Stokes（Reynolds-Averaged Navier–Stokes, RANS）模拟对PINN进行预训练，使其学习域内所有状态量，再通过迁移学习用下采样PIV数据更新网络参数。所得预测结果与仅用实验数据训练的PINN相比，与完整PIV数据集吻合度显著提高。本研究在二维NACA 0012翼型、攻角α=15°、Re=10,000及Re=75,000工况下，集成Spalart–Allmaras湍流模型并对无滑移壁面边界条件施加硬约束（hard constraint）。方法先在大涡模拟（Large Eddy Simulation, LES）数据上验证，再应用于实验PIV数据。该迁移学习方法相较随机初始化不仅预测精度提高，且训练时间缩短。

论文解读：融合多数据源迁移学习的湍流模型增强型PINN用于时均流场重构

研究背景与动机

粒子图像测速（Particle Image Velocimetry, PIV）可测量多分量流速，但受限于动态范围、近壁区难以分辨、含噪声及无法获得压力场。高保真大涡模拟（Large Eddy Simulation, LES）或直接数值模拟（Direct Numerical Simulation, DNS）在较高雷诺数（Reynolds number, Re）下计算成本过高；雷诺平均Navier–Stokes（Reynolds-Averaged Navier–Stokes, RANS）模拟成本低但在大压力梯度与分离流中精度不足。物理信息神经网络（Physics-Informed Neural Network, PINN）可通过嵌入控制方程与稀疏数据重构全场，但直接用稀疏带噪实验数据训练PINN易出现非物理解、训练不稳定及对壁面边界条件捕捉差等问题。为此，研究人员开展融合RANS预训练与迁移学习的PINN方法，嵌入Spalart–Allmaras（SA）湍流模型并施加壁面硬约束，旨在从稀疏PIV数据高精度重构包括压力与雷诺应力在内的全场时均量。该文发表于《Data-Centric Engineering》。

主要关键技术方法

研究人员构建二维不可压RANS方程结合Spalart–Allmaras湍流模型（RANS-SA）的PINN，输出层预测时均速度分量U￣、V￣、修正压力(P￣?φ)、螺管强迫分量f_s,x、f_s,y及√(ν?)（确保修正湍流运动黏度ν?>0）。损失函数由物理残差损失L_P、边界条件损失L_B（翼型壁面采用增广拉格朗日法Augmented Lagrangian Method, ALM实现硬约束，其余为软约束）和数据拟合损失L_D组成。先在全场RANS解（Re=10,000与75,000的NACA 0012翼型α=15°）上用两阶段Adam（先RANS-F再RANS-SA）加L-BFGS训练基线模型；再用该预训练权重作初始化，以子采样LES（Re=10,000）或实验PIV（Re=75,000）的时均速度分量作数据损失，经少量Adam迭代与L-BFGS微调完成迁移学习。计算域为弦长c=1的NACA 0012外15c×10c矩形域，使用全连接神经网络（7隐层×50节点，tanh激活）。

研究结果

4.1 PINNs with high-fidelity data（直接用高保真数据训练PINN）

研究人员用仅含稀疏速度分量的LES与PIV数据从随机初始化训练PINN（基线L10_b、P75_b）。结果显示速度场大体捕捉大尺度结构，但近壁与滞止点误差大，压力系数C_p预测偏离参考值，雷诺剪切应力u'v'￣分布不连续。表明仅靠稀疏实验/高保真数据从头训练PINN难以可靠获得驱动量与导出量，且易受稀疏性及无壁面硬约束影响产生非物理解。

4.2 Baseline models（RANS预训练基线模型）

研究人员用完整RANS场（含ν?）训练R10_b与R75_b基线PINN。预测的速度、压力系数C_p及涡黏度ν_t均与RANS参考场吻合良好，能正确捕捉滞止点与无滑移壁条件。证明RANS预训练可提供具物理意义的流场先验，避免SA方程的平凡解，为迁移学习提供合理初值。

4.3 PINNs with transfer learning to LES data（向LES数据迁移学习）

将R10_b或R75_b权重迁移并用子采样LES速度微调（L10?R10_b、L10?R75_b）。预测成功调整回流区大小匹配LES参考零速度包络线，C_p与雷诺剪切应力u'v'￣趋势合理。同雷诺数预训练源效果略优但跨雷诺数（R75_b→L10）亦明显改善。证明该方法可从稀疏均值速度结合RANS预训练捕获过渡剪切层特征。

4.3.2 Influence of hard constraints（硬约束的影响）

对比有无翼面ALM硬约束发现：软约束下滞止点位偏移、表面C_p近似常数；硬约束下滞止点位置与流线曲率匹配LES参考，x/c>0.2后表面C_p恢复至接近LES值。说明ALM硬约束对正确体现几何形状及导出量物理一致性至关重要。

4.4 PINNs with transfer learning to PIV data（向PIV数据迁移学习）

将R75_b或R10_b迁移并用子采样PIV速度微调（P75?R75_b、P75?R10_b）。迁移学习模型消除基线PIV训练中出现的非物理二次回流区，近壁误差模式与PIV近壁反射误差一致（属数据问题而非PINN失效），滞止点区域误差减小，C_p连续平滑，雷诺剪切应力u'v'￣分布合理逼近实验趋势。证明迁移学习显著抑制直接用PIV训练PINN的非物理预测，能从稀疏带噪PIV重构全场并推断压力与湍流统计量。

4.5 Performance overview of transfer learning（迁移学习性能总览）

RMSE量化显示：相较从头训练基线，迁移学习使驱动变量与导出变量误差降低18%~61%（L10?R75_b导出量降幅最大）。跨雷诺数迁移（R10_b→P75或R75_b→L10）仍优于随机初始化，且高质量基线模型比严格匹配Re更重要。计算上基线训练约10小时（NVIDIA A100），迁移微调仅需约1小时。

讨论与结论翻译（Conclusion）

研究人员提出并验证了基于RANS预训练与迁移学习的PINN方法，结合Spalart–Allmaras湍流模型及壁面无滑移硬约束（增广拉格朗日法），可从稀疏实验PIV速度测量重构时均流场并推断压力与雷诺剪切应力。仅用PIV数据训练PINN时预测精度有限且导出量（如雷诺剪切应力）出现非物理解；经RANS预训练PINN迁移微调后，驱动与导出量预测均显著改善，表明PINN学习的是控制方程物理而非过拟合数据。硬约束使壁面速度降至两个数量级以下，表面压力预测在x/c>0.2与参考LES高度吻合。该方法在不同雷诺数间具可迁移性——重点是建立高精度RANS基线模型而非严格匹配实验Re。此方法降低计算成本，适用于稀疏实验数据同化，未来可拓展至相似几何间迁移。