基于物理信息的框架:通过有限体积弱约束与物理引导的正则化方法实现室内墙面喷射通风流场的物理稳定重建

《BUILDING AND ENVIRONMENT》:A Physics-Informed Framework for Physically Stable Reconstruction of Indoor Wall Jet Ventilation Flow Fields via Finite-Volume Weak Constraints and Physics-Guided Regularization

【字体: 大 中 小 】 时间:2026年08月07日 来源:BUILDING AND ENVIRONMENT 8.4

编辑推荐:

  摘要准确重建室内气流场对于提升通风性能以及实现基于数据的室内环境控制至关重要。然而,传统PINNs在处理高雷诺数壁面射流流场时往往存在物理一致性下降的问题,因为仅靠点态微分约束难以准确捕捉强烈的梯度、非线性相互作用以及复杂的流动拓扑结构。本研究提出了一种基于物理信息的框架,通过整

  

摘要

准确重建室内气流场对于提升通风性能以及实现基于数据的室内环境控制至关重要。然而,传统PINNs在处理高雷诺数壁面射流流场时往往存在物理一致性下降的问题,因为仅靠点态微分约束难以准确捕捉强烈的梯度、非线性相互作用以及复杂的流动拓扑结构。本研究提出了一种基于物理信息的框架,通过整合有限体积弱约束与物理引导的正则化方法,来实现室内壁面射流通风流场的物理稳定重建。该框架引入了基于控制体的弱形式表达式,以保障质量和动量的积分守恒;同时采用了经过壁面修正的、受湍流模型启发的有效粘度修正与正则化策略,以提高近壁区域的稳定性并抑制非物理性波动。此外,还设计了一种解耦的神经网络架构,用以更好地表征具有不同物理特性的速度场和压力场。通过二维室内壁面射流案例的全面比较、消融分析及敏感性研究,验证了所提框架相较于传统PINNs具有更高的重建精度,且能在高梯度区域和回流区更准确地恢复流动拓扑及近壁流动结构。研究还表明,可靠的流动重建不仅取决于测量数据的拟合精度,还与能否恢复物理上一致的流动结构密切相关。通过平衡观测数据与物理约束,所提框架为复杂室内通风流的重建提供了有效方法,也为基于物理一致性的数据驱动气流重建奠定了良好基础。

引言

供暖、通风与空调系统占据了建筑能源消耗的很大比例[1,2],在维持室内环境质量方面起着关键作用[3]。随着智能建筑技术及数字孪生平台的日益普及[4],实时感知与预测室内气流特性已成为实现自适应通风控制、提升能源利用效率以及优化居住舒适度的必要手段[5,6]。
在各种通风流型中,壁面射流因其能够有效实现空气混合并提升热舒适性,而被广泛用于空气分配系统中[7,8]。然而,壁面射流的流动动力学极为复杂,涉及科安达效应、近壁面剪切力的形成、流动分离以及大尺度回流等多种因素的共同作用[9,10]。这些特性导致了强烈的空间梯度、非线性相互作用以及复杂的流动拓扑结构,因此,准确重建这类气流场对于先进的通风应用而言是一项既具挑战性又至关重要的任务[11,12]。
目前,室内气流场主要通过实验测量和计算流体动力学模拟来表征[5,13]。粒子图像测速法[14]和热丝风速仪[15]等实验技术能够提供可靠的速度数据,已被广泛用于验证通风流场模型[16]。不过,实际测量往往受到传感器成本、空间可达性、测量干扰以及实验复杂性等因素的限制,只能获得离散的观测数据,而非连续的全场信息[17]。相比之下,CFD方法虽能提供计算域内的详细流动分布,但其精度在很大程度上取决于边界条件的设定以及湍流建模假设[18][19][20][21]。此外,针对复杂室内环境的高精度CFD模拟通常需要大量的计算资源,这限制了其在实时监测和在线控制中的应用[22][23][24]。因此,开发能够从不完整的观测数据中恢复物理上一致的气流场的高效重建方法,依然是一个亟待解决的难题。
近年来,物理信息神经网络作为一种将物理方程融入神经网络优化的数据驱动方法,展现出巨大潜力[25]。与传统机器学习方法相比,PINNs能够结合实验观测数据与物理约束,在解决流体动力学、传热问题以及参数识别等正向与逆向问题方面表现出良好性能[26][27][28]。为提升其在复杂流动问题中的适用性,人们提出了多种扩展方法,包括弱形式表述、变分约束、自适应采样策略以及基于湍流信息的PINNs[29][30][31][32]。
在室内气流重建领域,已有研究证明了PINNs可从有限的观测数据中重建速度场的可行性。魏等人[33]利用PINNs重建了室内气流,发现与传统人工神经网络相比,该方法具有更好的物理一致性,同时还能降低计算成本。陈等人[34]研究了测量数据分布的影响,指出选取包含主导流动结构的采样位置十分重要。荆等人[35]在PINN框架中加入了湍流模型与硬约束,即便在观测数据极为有限的情况下也能实现精确重建。张等人[36]进一步引入了高精度数据同化方法,并结合标准k–ε湍流模型,提升了湍流室内流的预测精度。这些研究都体现了物理信息学习方法在气流重建方面的应用潜力。不过,现有方法大多侧重于提升点态预测精度,而在高雷诺数壁面射流条件下保持全局守恒性、实现稳定优化以及维持物理上一致的流动拓扑结构方面的能力,仍有待进一步探索。
将传统PINNs应用于高雷诺数室内通风流场面临着诸多挑战。首先,标准PINNs通常依赖点态强形式残差最小化,即通过局部微分约束来强制满足物理方程。虽然这种做法在面对相对平滑的问题时效果良好,但在存在强对流、剧烈梯度以及流动分离现象时,可能会引入数值刚度问题并导致优化失衡[37]。更为重要的是,降低局部残差并不一定能保证质量和动量 的全局守恒,从而可能产生物理上不一致的解[38]。其次,神经网络本身存在固有的频谱偏差,这限制了其表现固体边界附近以及射流冲击区域的高频速度变化的能力[39]。第三,湍流壁面流动需要合适的湍流表征方式来描述那些尚未被解析的运动过程与耗散机制,而传统PINNs通常缺乏有效的湍流闭合机制[12,40]。因此,现有的基于PINNs的气流重建方法虽然能够在部分测量点上与实测数据保持较好的一致性,但在整体流动结构与物理拓扑的保持方面仍存在不足[41]。
为克服上述局限,本研究提出了一种基于物理信息的框架,用于高雷诺数室内壁面射流通风流的物理稳定重建。该框架通过整合有限体积弱约束与物理引导的正则化方法,提升了重建流场的物理一致性。有限体积公式实现了质量和动量的积分守恒,补充了传统点态PINN约束的作用,进而增强了整体流动的连贯性。与此同时,经过壁面修正的有效粘度修正机制提供了自适应的物理引导正则化功能,有助于更准确地表征近壁面剪切层以及分离流区域。通过将基于守恒的物理约束与自适应神经网络优化相结合,该框架旨在恢复物理上稳定且一致的气流结构,而不仅仅是最小化测量点的误差。
本研究以二维室内壁面射流通风流场作为案例,对所提框架进行了验证。从重建精度、物理一致性以及典型流动拓扑的保持程度等方面,系统地评估了该框架的性能。实验结果表明,有限体积守恒约束与物理引导正则化的结合,不仅提升了重建精度,也有助于更好地保持物理上一致的流动拓扑结构。

章节节选

问题物理机制与基准数据

该二维壁面射流的几何参数来源于公开发布的“IEA Annex 20 CFD预测二维基准测试”[42]。如图1(a)所示,其标准化尺寸为L/H=3.0,h/H=0.056,t/H=0.16,其中L、H、h和t分别代表流体域的长度、高度、入口高度以及出口高度。该流动的入口边界条件对应的雷诺数为Re=h·u?/ν=5000,此时

用于壁面射流重建的物理信息机器学习框架

图2直观展示了所提出的物理信息机器学习框架的完整工作流程与模块化结构。传统的物理信息神经网络在处理固体边界附近的剧烈速度梯度以及由射流冲击引发的停滞流拓扑结构时往往力不从心。为克服这些缺陷,本框架将稀疏的实验数据、可微分的流体模型

所提框架与传统PINN的性能对比

为评估所提框架的重建能力,本研究将其与传统的PINN模型进行了系统性对比。从速度场重建效果、空间误差分布以及整体流动特征的保持程度三个维度对两种模型的性能进行了评估。
图5展示了NN1和NN2模型所重建的标准化速度幅值V/u?、水平速度分量u/u?以及垂直速度分量v/u?的对比结果。两者

结论

本研究构建了一种基于物理信息的机器学习框架,旨在从稀少的实验数据中重建高雷诺数室内壁面射流通风流场。通过整合有限体积弱约束、壁面感知表示方法、物理引导的粘度修正机制以及自适应优化策略,该框架在保持较高重建精度的同时,更能有效地恢复物理上一致的流动结构。本研究的主要结论如下

作者贡献

陈翔:概念构思、数据整理、形式分析、研究实施、方法设计、软件开发、结果验证、可视化处理、论文初稿撰写。龚光才:资金筹集、项目管理、资源协调、监督指导、论文审阅与修改。王宇欣:可视化处理、论文审阅与修改。曹峰:论文审阅与修改。

CRediT作者贡献说明

陈翔:论文初稿撰写、可视化处理、结果验证、软件开发、方法设计、研究实施、形式分析、数据整理、概念构思。龚光才:论文审阅与修改、监督指导、资源协调、项目管理、资金筹集。王宇欣:论文审阅与修改、可视化处理。曹峰:论文审阅与修改。
Xiang Chen|Guangcai Gong|Yuxin Wang|Feng Cao
湖南大学土木工程学院,中国湖南省长沙市410082
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号