《Defence Technology》：Beyond iterative solvers: Physics-informed instantaneous modeling of supersonic combustion in a kerosene-fueled scramjet
编辑推荐：
在超声速燃烧条件下，准确高效地求解极端非定常、多尺度耦合的物理过程是高速推进系统设计的关键瓶颈。传统的计算流体动力学（CFD）方法受限于模型复杂性和化学反应的计算成本，难以满足多工况下实时分析的需求。在本研究中，研究人员整合物理约束和知识蒸馏算法，构建了一个物
在超声速燃烧条件下，准确高效地求解极端非定常、多尺度耦合的物理过程是高速推进系统设计的关键瓶颈。传统的计算流体动力学（CFD）方法受限于模型复杂性和化学反应的计算成本，难以满足多工况下实时分析的需求。在本研究中，研究人员整合物理约束和知识蒸馏算法，构建了一个物理信息驱动的知识蒸馏框架，实现了超声速煤油燃烧过程从“数值迭代求解”到“全域瞬时映射”的转变。采用混合Transformer与残差块的U形编码器-解码器作为教师模型，实现了对激波、燃烧锋面等强间断特征以及多尺度耦合的显式建模。采用软约束将燃烧组分的质量分数守恒定律嵌入其中，以引导模型遵循物理规律进行学习。基于超声速煤油燃烧实验数据，预测结果的平均相关系数达到0.986。此外，利用知识蒸馏将教师模型捕获的复杂物理关联和高维分布特征高效迁移至超轻量级学生网络，推理速度提升47.19%，计算效率相比传统CFD方法提升了三个数量级。本研究实现了从数值迭代求解到全场瞬时映射的转变，并获得了精度与效率平衡的明确定量支持。
**论文解读文章：基于物理信息驱动的煤油超燃冲压发动机超声速燃烧瞬时建模研究**
**研究背景与问题**
在高速飞行器推进系统设计中，超声速燃烧条件下的湍流-燃烧相互作用呈现高度非线性、多尺度及强瞬态特征，其物理过程涉及激波/边界层相互作用、反应锋面与湍流结构的复杂耦合，是制约燃烧室设计与优化的核心科学挑战。传统数值模拟方法，包括雷诺平均纳维-斯托克斯（RANS）和大涡模拟（LES），虽已推动燃烧器设计进步，但受限于复杂化学反应机理的刚性和巨大的计算成本，在极端工况下难以兼顾求解精度与计算效率。现有方法在捕捉激波振荡、局部熄火与再燃等精细物理现象时，仍面临保真度和实时预测性能的瓶颈。因此，开发兼具高精度与高效率的燃烧流场智能预测模型，对加速高速推进装置研发具有重要的学术与工程意义。该研究发表于《Defence Technology》。
**研究内容与结论**
研究人员针对煤油等大分子燃料在极端高速条件下的燃烧智能建模，创新性地将物理约束与知识蒸馏算法耦合，构建了物理信息驱动的知识蒸馏框架。该框架首先采用混合Transformer-残差U形编码器-解码器网络（UED）作为教师模型，实现激波、燃烧锋面等强间断特征的高精度显式建模；同时以软约束形式嵌入燃烧组分的质量分数守恒定律，使模型学习过程遵循物理定律。基于超声速煤油燃烧实验数据，预测结果的平均相关系数达0.986。随后，通过结构化剪枝构建轻量级学生模型，并利用知识蒸馏将教师模型捕获的复杂物理关联和高维分布特征迁移至学生网络，使推理速度提升47.19%，计算效率相比传统CFD方法提升三个数量级。该研究实现了从数值迭代求解到全场瞬时映射的转变，获得了精度与效率平衡的明确定量支持。
**主要关键技术方法**（不超过250字）
研究人员采用以下关键技术方法：（1）构建“分割-组合”U形编码器-解码器网络（UED），其编码器包含四个注意力层（Att_layer），利用多头自注意力机制捕获全局依赖关系；解码器采用残差模块（Res_layer），通过跨层身份映射保留高频间断特征。物理约束引入质量分数守恒和温度-马赫代数关系作为软约束，构成物理信息U形编码器-解码器网络（PIUED）。（2）采用结构化剪枝直接减少注意力层和残差层数量，获得轻量级学生模型。（3）利用知识蒸馏算法，通过温度平滑的Kullback-Leibler散度（KLD）损失函数，将教师模型的概率分布特征迁移至学生模型。样本来源：基于中国空气动力研究与发展中心的直连脉冲燃烧风洞构型，采用二维双腔燃烧室，入口马赫数3，飞行马赫数7.5，煤油6组分2反应简化模型，共采集3种当量比（0.3、0.225、0.15）下362个非定常流场样本，按8:2随机分为训练集和测试集。
**研究结果**
**4.3.1 模型预测精度分析**
通过对比物理约束引入前后的损失曲线，研究人员发现嵌入物理约束后模型损失在训练初期出现显著波动，但最终收敛至稳定状态。随机选取测试集当量比0.15、t=1.46 ms时刻的预测结果进行可视化比较，表明UED模型和PIUED模型均能正确捕获流场整体趋势，包括激波与燃烧耦合的间断结构。绝对相对误差空间分布显示，显著误差集中于突扩台阶和下游激波反射/干扰区域，与强压力梯度空间位置高度吻合；温度场和燃料组分场在燃烧锋面附近存在局部误差梯度，但间断结构空间位置被正确识别。与纯数据驱动Transformer模型对比，UED模型在总温、马赫数等分布曲线上更接近CFD真值，物理约束在极值区域发挥了锚定作用。全测试集平均指标表明，UED模型各物理场线性相关系数均值超过0.95，均方误差（MSE）低于0.02，且FLOPs（浮点运算次数）为0.914 G，显著低于Transformer的3.06 G。引入物理约束后，平均相关系数保持0.986，MSE下降至0.0045，验证了物理约束从“数据驱动”向“物理真实预测”的转变。
**4.3.2 模型预测精度与速度平衡分析**
通过对比剪枝后学生模型与知识蒸馏（KD）模型在不同时刻的预测结果，可视化显示学生模型在高马赫数区域难以准确再现激波位置和强度，且对燃烧核心区CO消耗过程和温度场梯度变化捕获能力不足。引入知识蒸馏后，预测结果与CFD数值模拟的吻合度大幅提升，激波位置、反应区浓度演化及温度场极值特征均更接近真实流场。全测试集性能指标分布显示，KD模型相关系数范围从0.8至1.0，振荡幅度较蒸馏前降低30%，MSE分布更集中。教师模型参数量92.7 M，FLOPs 0.914 G，推理时间0.00320 s；学生模型参数量75.9 M，FLOPs 0.728 G，推理时间0.00169 s，推理速度提升47.19%，参数量和计算成本分别降低18.12%和20.35%。知识蒸馏后，学生模型相关系数从0.9227提升至0.9433，MSE从0.0228降至0.0146，性能提升显著且未增加计算开销。
**讨论与结论**
研究人员在讨论中指出，当前采用的物理约束主要集中于质量守恒和温度-马赫一致性，未纳入压力-温度耦合和总压-静压平衡等关系，一定程度上限制了其对复杂激波-燃烧耦合过程的完全约束能力。未来工作将探索引入更丰富的物理先验知识，包括联合压力-温度约束和总压损失模型，以进一步提升模型在极端流条件下的物理一致性和预测鲁棒性。研究结论部分总结如下：针对超声速煤油燃烧中强间断和多尺度耦合的建模挑战，本研究提出了一种物理约束与知识蒸馏协同的智能建模框架。通过将质量守恒定律以软约束形式嵌入混合Transformer-残差网络，构建了物理信息驱动的教师模型，有效克服了传统数据驱动模型在极端工况下物理一致性不足的缺点，实现了对激波和燃烧锋面等关键特征的显式建模。采用结构化剪枝构建轻量级学生模型，并通过知识蒸馏技术将教师模型学到的高维流场分布特征迁移至学生模型，利用温度平滑的Kullback-Leibler散度损失函数，使学生模型在保持轻量架构的同时继承了关键物理特征的建模能力，实现了从“复杂物理理解”到“高效特征再现”的转变。轻量级模型推理速度提升47.19%，参数量减少18.12%，在牺牲部分预测精度的前提下实现了显著效率增益；知识蒸馏后预测相关系数提升2.23%，在保留效率优势的同时有效恢复了模型精度。该两阶段建模框架为极端流问题提供了创新的“物理引导+知识迁移”解决方案，保障了模型的物理可靠性，解决了精度与效率的工程权衡问题，从而成为高速推进系统快速设计的有效智能仿真工具。
