几何感知的数字孪生框架用于多孔材料干燥中的多物理场传输与数据同化

《Expert Systems with Applications》：Geometry-aware digital twin framework for multiphysics transport in drying of porous materials with data assimilation

　　

实时数字孪生框架用于三维多物理场对流干燥；物理结构的TSAP-GNN（Tri-State Additive Physics Graph Neural Network）学习耦合的空气、多孔和界面传输；无需特定几何的重新训练即可迁移到未见几何结构；顺序数据同化将预测漂移减少高达53%；高精度，均方根误差（RMSE）≤0.011 kg/kg，且成本可忽略不计。

工业干燥是制造业中能耗最高的单元操作之一，占发达国家能源消耗约10%，但干燥过程中产品内部的多物理场状态（如温度、水分、相组成）在实时中不可观测，导致无法优化干燥动力学和产品质量。现有替代方法包括投影降阶模型（如本征正交分解POD结合Galerkin投影）和非侵入式数据驱动方法（如卷积神经网络CNN和图神经网络GNN），但前者对强非线性问题计算成本高，后者难以处理非结构化网格。图神经网络（GNN）可直接操作网格数据，但自回归滚动中累积单步误差，导致系统漂移。数据同化（DA）通过顺序融合模型预测与稀疏观测数据来纠正漂移，但集成方法计算成本高。本文提出一个几何感知的代理-数据同化框架，为工业干燥数字孪生提供算法基础。

研究人员开展了三维对流干燥的几何感知数字孪生框架研究，将实验验证的计算流体动力学（CFD）模型（R²=0.951，RMSEMwb=0.055 kgwater/kgwet）作为高保真参考数据源，开发了区域感知的三态加法物理图神经网络（TSAP-GNN）代理模型，并集成了基于观测松弛（nudging）的数据同化。该框架在240个拉丁超立方采样案例上训练，与POD-NN（Proper Orthogonal Decomposition-Neural Network）降阶模型对比，并测试了外推几何（椭球、立方体、棱锥）的泛化能力。通过观测系统模拟实验（OSSE）评估不同传感器配置、噪声水平和松弛强度对同化性能的影响。研究得出以下结论：TSAP-GNN在长时域滚动（333分钟）中实现高精度（R²≥0.994，RMSEMwb≤0.011 kgwater/kgwet），误差线性增长；在训练数据扩展时误差单调下降，而POD-NN性能饱和（误差比2.7–13倍）；在未见几何上保持R²≥0.997，而POD-NN降至非物理预测；数据同化将温度误差降低高达59%，水分饱和度误差降低83%，且计算开销小于1%。该工作发表在《Expert Systems with Applications》上。

主要关键技术方法包括：①基于COMSOL Multiphysics的三维CFD模型，求解多孔介质中热质耦合传输方程（Navier-Stokes、Brinkman、能量守恒、相变），生成240个案例（样本厚度3–8mm、直径30–80mm、流速0.1–0.46m/s、入口温度40–80°C）的合成数据集，实验验证R²=0.951；②TSAP-GNN架构，采用编码-处理-解码框架，包含10层TSAP处理器，每层执行全局消息传递后添加区域特定残差校正（多孔Darcy阻力、界面蒸发焓），并施加硬约束（多孔区域速度归零、空气域水分饱和度归零）；③基于观测松弛（nudging）的数据同化，通过顺序预报-分析循环将稀疏传感器观测融合到GNN状态中，并利用图连接性实现空间传播；④虚拟传感器网络（OSSE）评估四种战略（界面、多孔容积、多孔稀疏探针、空气域），噪声水平从0%到5%动态范围。

研究结果如下：

**3.1 基线代理性能**：GNN在单步预测（H=1）中所有场误差极低（如温度0.005°C，水分饱和度0.0001）；随滚转步数增加，误差增长呈线性而非指数，温度场线性累积（最终1.576°C），水分场在下降速率阶段趋于饱和（最终水分饱和度0.0028），表明推送训练和硬约束有效抑制了漂移。

**3.2 GNN代理模型空间场预测精度**：全滚转200步（333分钟）后，预测轮廓与CFD真值高度一致。相对误差在界面和前缘/后缘集中：水分饱和度误差峰值从40分钟7%增至80分钟15%，温度误差约14%，速度误差<2.5%。体积平均水分含量（Mwb）预测极准（R²≥0.998），但局部误差仍存在，说明局部水分活性（aw）可能偏离安全阈值。

**3.3 数据扩展与几何泛化**：3.3.1 GNN与POD-NN降阶基线对比：随训练集从50增至192案例，GNN误差单调下降，而POD-NN在100案例后饱和，GNN在T、φw、|u|、Sw上误差分别低2.7、5.1、13.0、10.6倍。3.3.2 外推几何泛化：椭球、立方体、棱锥上，GNN保持R²≥0.997，POD-NN在棱锥上R²为负值，表明基于网格的消息传递可实现零样本几何泛化。

**3.4 数据同化性能**：3.4.1 传感器区域敏感性：多孔容积传感器（全覆盖）将温度RMSE降低59%，水分饱和度降低83%；界面传感器降低21%和34%；稀疏探针和空气域传感器改善<3%。3.4.2 场选择性同化：T+Sw配置在界面传感器上实现34%水分饱和度改善，T+φw类似，T-only仅19%。3.4.3 覆盖阈值：5–30%界面覆盖捕捉最陡边际增益，25%覆盖实现约50%最大水分改善。3.4.4 噪声鲁棒性：温度同化在低-中噪声下稳定（α∈[0.3,0.6]），极端噪声下α=0.1仍正改善；水分饱和度在极端噪声+高α时退化。3.4.5 计算开销：最大配置下仅增加0.8%墙钟时间。3.4.6 跨案例误差收敛：同化后三案例间RMSE跨度缩小46–80%，Case 5最大漂移获得最大校正。

**3.5 数据同化下湿基水分含量演化**：Case 5上，全界面T+Sw同化将Mwb RMSE从0.011降至0.005（52.8%改善），多孔容积全覆盖达95.2%，25%界面覆盖仍恢复24%漂移，同化在中期（40–120分钟）效果最显著。

**讨论与结论**：研究人员总结了框架的贡献：实时、几何感知的代理框架实现了三维对流干燥数字孪生，TSAP-GNN可处理区域耦合，数据同化显著减少漂移，且计算开销可忽略。局限性包括：依赖合成观测和合成噪声、恒定材料属性、均匀松弛强度，以及忽略收缩变形。研究结论原文翻译如下：“本研究提出了一种实时、几何感知的代理框架，用于三维多物理场对流干燥，实现了干燥过程数字孪生应用。该框架集成实验验证的CFD模型（R²=0.951，RMSEMwb=0.055 kgwater/kgwet）作为高保真参考数据源、区域感知的三态加法物理图神经网络（TSAP-GNN）代理和基于观测松弛的数据同化。TSAP架构将域划分为空气、多孔和界面区域，每个区域通过加法校正网络编码其主导物理，实现耦合传输过程的物理一致建模，并允许稀疏传感器的校正通过学习的消息传递算子传播到未观测的内部区域。GNN代理在长时域（333分钟）上实现高预测精度（R²≥0.994，RMSEMwb≤0.011 kgwater/kgwet），误差增长稳定且近似线性。数据同化同时改进整体和局部精度：多孔域传感器将温度和水分误差降低达59%和83%，整体水分预测改善达95%。这些校正以小于1%的计算开销实现，并将跨案例RMSE跨度压缩达80%，降低了数字孪生对特定操作条件的敏感性。本研究表明，准确的干燥预测需要全局和空间分辨评估，且将物理感知代理与数据同化耦合对于缓解长时域误差积累至关重要。该框架为三维干燥几何中的实时、空间分辨状态估计奠定了基础。由于本研究所有观测均为合成数据（OSSE），向工业实践转化需要在实际传感器流和操作条件下验证；在此基础上，该框架为提高能效和闭环控制提供了实用途径。”