基于物理信息Transformer模型的燃料电池车辆氢爆炸实时预测

《ACS Omega》：Real-Time Prediction of Hydrogen Explosions Involving Fuel Cell Vehicles Using a Physics-Informed Transformer Model

　　

氢燃料电池车辆（Fuel Cell Vehicles, FCVs）作为低碳交通系统正日益普及。然而，非预期的氢泄漏与点火仍可能引发严重爆炸危害，尤其在密集建成城市环境中。传统数据驱动方法难以表征障碍物诱导的空间相互作用及爆炸场的瞬态发展。为此，研究人员开发了物理信息Transformer框架，用于FCV相关氢爆炸场景的实时预测。本工作中“物理信息”指火焰信息正则化机制，而非常规基于残差的物理信息神经网络（Physics-Informed Neural Network, PINN）。具体而言，将火焰传播与超压演化的内在耦合嵌入Transformer学习目标，使模型学习火焰锋面发展与冲击波演化之间的关系，而非仅拟合孤立压力场快照。通过典型城市街区氢爆炸CFD模拟生成高保真基准数据库。基于此库确定最优权重系数λ = 0.001。该配置下，冲击波预测R2达0.9385、MSE为1.28×10–4，峰值超压预测R2达0.9455、MSE为9.58×10–4，推理仅需2.33 s。该方法为快速后果评估提供了计算高效代理模型，并为基于数字孪生的城市氢安全管理提供技术支持。

研究背景方面，氢燃料电池车辆（FCV）因电化学转换低排放成为脱碳交通重要路径，但车载高压储氢易泄漏点火，在城市密集区可引发严重爆炸，近期法国氢巴士与韩国加氢事故凸显后果预测工具之急迫。现有方法分三类：解析与半经验模型物理可解释但简化假设多，难适用于不规则城市环境；计算流体力学（Computational Fluid Dynamics, CFD）可高保真分辨火焰加速与压力波反射，但计算昂贵无法实时；机器学习代理模型效率高却多黑箱，未显式表征火焰传播、超压演化与建筑障碍的固有耦合，场景偏移时泛化下降。因此研究缺口在于：需一种同时实现时空预测、计算效率与复杂建成环境下火焰—超压耦合物理表示的实时代理模型。

研究人员开展的研究为：构建物理信息Transformer（Physics-Informed Transformer）架构，以火焰传播信息作为正则项嵌入统一损失函数，在FLACS-Hydrogen生成的45个典型城市街区FCV氢爆炸CFD案例（5云体积×3点火位×3车位是布局，36训9测）上训练自回归时序时空滚动预测，对比λ取值并遴选最优。结论：λ=0.001时模型在冲击波与峰值超压预测上R²分别0.9385与0.9455，MSE分别为1.28×10^–4与9.58×10^–4，单次推理2.33 s，较纯数据驱动与MLP/LSTM基线兼顾精度与物理一致性，可作数字孪生城市氢安全快速后果评估代理。论文发表于《ACS Omega》。

主要关键技术方法（≤250字）：研究人员采用FLACS-Hydrogen求解器（k-ε湍流+氢气燃烧模型）对100 m×100 m×40 m城市街区（含30 m建筑与12 m×2.5 m×4.4 m氢巴士）做CFD基准模拟，核心区网格0.17 m，输出Z=4 m平面0.01–0.11 s共40帧；超压取Δp=p?p₀经MIN–MAX归一，火焰取T≥400 K二值指示F_i(t)；序列样本含节点超压、火焰指示、时间、云体积、点火位、车位坐标。Transformer含线性分词、多头自注意力与FFN，自回归滚动预测下一帧；损失为MSE(p)+λ·MSE(f)，扫λ∈{0,0.001,0.005}选优。

研究结果各节浓缩如下：

1. 2.
   物理信息Transformer模型：分四模块——CFD基准构建、Transformer时空预测、火焰—超压耦合正则、λ优化。火焰输运方程（式1）提供Y_F消耗与放热物理基，提取火焰场作约束；式2–式7定义节点特征D_t与自回归O_t+j+1^p′、O_t+j+1^f′；式10损失L=MSE(O^p,O^p′)+λ·MSE(O^f,O^f′)。结论：λ>0使模型隐式学耦合而非拟快照，λ=0退化为纯数据超压预测。

2.1 CFD基准集：FLACS-Hydrogen模拟不同点火与可燃气云体积，式2集节点超压p_n^t、火焰f_n^t、x_n、y_n、cd、ig、t。结论：输运方程将火焰传播连至氢输运与消耗，可作Transformer物理约束源。

2.2 Transformer预测：Tokenizer映射多维变量入嵌入，多头注意力聚合并由预测头出下一刻p与f（式3–式7），自回归反馈至t+z。结论：序列架构适配障碍物诱导空间交互的瞬态场滚动。

2.3 物理信息耦合：火焰损失作正则而非强施Navier–Stokes残差，式8–式10联合学w₀（超压）与w₁（火焰）。结论：λ=0.001在复杂城市构型下平衡数据拟合与物理正则，避免大λ压制细观几何变异。

2.4 优化：按λ分训测，36例训9例测。结论：λ=0.001最优。

1. 3.
   基准数据：3.1数值建模——GIS建100×100×40 m域，建筑30 m，巴士12×2.5×4.4 m，门窗0.1 bar泄压板，核心X40–90/Y30–80/Z0–4 m网格0.17 m扩张1.2，CFLC=5/CFLV=0.5，全案例同设。3.2预处理——Z=4 m取40帧（0.01–0.11 s，Δ0.002 s），Δp_i(t)=p_i,CFD(t)?p₀归一，F_i(t)=1若T≥400 K否则0；45案例（5体积×3点火×3布局）36训9测。结论：序列样本含超压/火焰/场景参，支撑耦合时空学习。
2. 4.
   模型开发：4.1 经λ={0,0.001,0.005}可视比对（图5–图6），λ=0.001在22/38/54/70 ms各阶段高梯度区与压力锋形态最一致；λ=0.005障碍边缘误差扩；λ=0仅拟超压。结论：过大物理权减细观灵活度，λ=0.001最优。摘要指标即此配置下得R²_blast=0.9385/MSE=1.28×10^–4，R²_peak=0.9455/MSE=9.58×10^–4，推理2.33 s。

讨论与结论翻译浓缩：研究人员指出，该物理信息Transformer通过火焰信息正则将火焰锋—超压耦合隐式嵌入学习目标，弥补了纯ML黑箱与CFD耗时之隙；λ=0.001为最优平衡点。在《ACS Omega》发表的该工作表明，所提代理模型以2.33 s推理获得R²>0.93的双场精度，可作为基于数字孪生（Digital Twin）的城市氢安全实时后果评估工具，支持应急规划与损失减缓，后续可扩展至更多车辆类型与多物理场边界。