使用机器学习模型预测多孔介质中的稳态流动

《Computers & Fluids》：Prediction of steady-state flow through porous media using machine learning models

　　

求解多孔介质中的流动是现代热管理关键部件冷板拓扑优化中的一个关键步骤。传统的计算流体动力学（CFD）方法虽然精确，但对于大型复杂几何体而言，其计算成本往往高得令人望而却步。相比之下，数据驱动的代理模型提供了一种计算高效的替代方案，能够实现快速且可靠的预测。在本研究中，研究人员开发了一个机器学习框架，用于预测由纳维-斯托克斯-布林克曼（Navier–Stokes–Brinkman）方程控制的通过多孔介质的稳态流动。研究人员实现并比较了三种模型架构——卷积自编码器（AE）、U-Net和傅里叶神经算子（FNO）——评估了它们的预测性能。为了增强物理一致性，研究人员引入了物理信息损失函数。结果表明，FNO的性能优于AE和U-Net，其均方误差（MSE）低至0.0017，同时与CFD相比实现了高达1000倍的加速。此外，FNO的网格不变性突显了其对于需要不同网格分辨率的拓扑优化任务的适用性。本研究凸显了机器学习在加速多孔介质中流体流动预测方面的潜力，为传统数值方法提供了一种可扩展的替代方案。

论文解读：基于机器学习模型预测多孔介质稳态流动的研究

一、研究背景与问题

在现代工程中，热管理对于确保电子设备、能源系统等从高热量通量源向冷却介质高效传热至关重要。随着器件日益紧凑，冷板作为关键换热部件被广泛使用，随后热管通过更小、更高效的内部特征实现被动传热。在此基础上，流动架构的优化催生了设计多孔介质，其几何形状可自由调整以实现最大性能，通过控制流体流动和增加表面积来增强传热。无论是基于密度的拓扑优化还是生成式构建设计方法，精确计算热/流体流动物理量都是优化过程中的关键步骤。在多孔介质模型中，由于流体与几何结构之间的复杂相互作用，这一计算尤为困难。传统上，通过数值求解带有布林克曼（Brinkman）项的修正纳维-斯托克斯方程来获得拓扑优化中的流场，但该方法计算昂贵且耗时，尤其对于复杂几何体。现有机器学习代理模型研究多集中于达西（Darcy）流动，而非能描述移动边界的更普适的纳维-斯托克斯-布林克曼模型，且通常只关注单一模型架构，缺乏不同模型间性能的对比。因此，本文旨在开发一个机器学习框架，用于快速且可靠地预测由纳维-斯托克斯-布林克曼方程控制的多孔介质稳态流动，并系统比较多种架构的精度与效率。

二、研究内容与结论

研究人员提出了一个混合数据驱动与物理信息学习的框架，以加速多孔介质中流动问题的求解。作为概念验证，研究考虑了二维稳态不可压缩牛顿流体通过多孔介质的流动，使用有限元法（FEM）生成训练数据，并训练了三种机器学习模型：卷积自编码器（?AE）、U-Net（?UNET）和傅里叶神经算子（?FNO）。研究人员在模型中引入了物理信息损失函数，以增强物理一致性。结果表明，FNO模型在所有通道（压力P、速度分量U_x和U_y）上的误差均低于AE和U-Net，其均方误差（MSE）最低达0.0017，相对L²误差最低。物理信息损失显著降低了连续性残差（超过99%）和动量残差（最多95%），提升了卷积模型的预测精度，但对FNO的U通道性能略有影响。FNO具备网格不变性，在64×64至512×512的不同分辨率下均保持一致的预测误差，而AE和U-Net对分辨率变化高度敏感。在计算速度方面，FNO在GPU上相比FEniCS求解器实现了最高约1000倍的加速，且支持批量并行处理，显著提高了计算效率。该研究证明了机器学习模型，尤其是FNO，在多孔介质流动预测中的优越性，为传统数值方法提供了可扩展的替代方案，适用于冷板拓扑优化等实际热设计应用。论文发表在《Computers 》。

三、主要技术方法

研究人员采用有限元法（FEM）在开源FEniCS库中求解纳维-斯托克斯-布林克曼方程，生成训练数据。通过从正态分布中采样4个冷板设计参数（p_simp、α_max、q_a、w），执行100条拓扑优化路径，每条生成30个候选配置，共得到3000个128×128分辨率的样本，按8:1:1划分为训练、验证和测试集。模型输入为单通道的渗透率分布场α(x,y)，输出为三通道的压力和速度场。研究了三种模型架构：对称卷积自编码器（编码器-潜空间-解码器）、深度为4的U-Net（带跳跃连接的编码器-解码器）以及包含4个傅里叶层的傅里叶神经算子（FNO，包含提升层、谱滤波算子、线性残差路径和输出层）。训练时，通过随机搜索优化物理损失中的各方程缩放因子和全局权衡权重，采用Adam优化器在NVIDIA A100 GPU上训练200轮。此外，为分析FNO的谱贡献，还进行了模式截断、线性算子消融和相位随机化实验。

四、研究结果

4.1 模型误差对比（Re=100及Re=500）

在两种雷诺数下，FNO模型（包括仅数据损失和物理信息损失训练）在所有通道上的相对L²误差均最低，综合相对L²误差在Re=100时为0.121（FNO-PI），而AE和U-Net分别为0.147和0.148。物理信息损失使AE和U-Net的误差降低了12%至32%，尤其改善了压力通道预测；对于FNO，物理信息损失将P通道误差降低5.19%，但U通道误差略有增加。物理信息损失显著降低了所有模型的连续性损失（超过99%）和动量损失（最高95%）。在Re=500时，FNO的U_x通道相对L²误差低至0.0085，仍保持最佳性能。

4.2 物理信息误差对比

通过可视化连续性残差和动量残差，发现加入物理信息损失后，所有模型的残差幅值显著减小，尤其在复杂流动区域。AE和U-Net的连续性损失大幅下降，表明模型更好地满足质量守恒。FNO-PI模型总残差最小，物理信息损失进一步改善了其在局部复杂流动区域的动量预测。

4.3 模型预测定性分析

根据不同材料场配置将数据分为五类：均匀拓扑、渐变材料变化、聚集变化、发展通道和成熟通道网络。在均匀拓扑中，AE在U_x通道表现差，而U-Net和FNO能较好处理入口/出口突变。在渐变材料变化中，所有模型对抛物线压力剖面预测均有伪影，U-Net存在过拟合。在发展通道中，AE优于U-Net，FNO仍最准确。在聚集变化中，各模型压力预测均出现困难，但速度预测仍可靠。在成熟通道网络中，AE对压力细节预测僵硬，U-Net继续过拟合，FNO则恢复准确并利用谱性质捕捉精细周期变化。

4.4 傅里叶分量消融实验

模式截断实验显示，将保留的傅里叶模式数m从30降至28时，综合相对L²误差从0.124激增至0.649，增长5.2倍，且随m进一步减小误差单调增大，表明模型依赖于完整训练谱带宽。禁用线性算子W_linear后误差增加8.4倍（综合），证明谱算子与线性算子互补。相位随机化（对最高5%、10%、20%空间频率进行相位扰动）对误差影响较小，说明预测精度主要由学习到的谱带宽和幅值决定，而非高频相位精细对齐。这证实了FNO的优势源于其傅里叶表示对高频带宽的利用能力。

4.5 数据内外泛化与网格无关性

在采样的形态类别内，误差与汇总指标一致，FNO在不同网格尺寸下保持精度，验证了网格不变性。当测试案例偏离训练分布（如不同入口轮廓或雷诺数）时，物理残差增大，可作为分布偏移的诊断指标。在网格分辨率测试中，AE和U-Net在非训练分辨率下误差增大数个数量级，而FNO在64×64至512×512分辨率下综合相对L²误差维持在0.17至0.29之间，展示了神经算子在函数空间操作的连续性优势。

4.6 预测速度

在GPU上，FNO在128×128分辨率下进行单次预测耗时0.0020s，相比FEniCS求解器快约100倍；在400×400分辨率下快约1000倍。AE和U-Net在GPU上也取得显著加速，但CPU模式下FNO的劣势更明显（慢55倍于GPU）。批量评估时，GPU上的计算时间几乎不随批量增大而增加，显示了机器学习模型的高度并行化能力，可同时处理多个拓扑，大幅缩短整体计算时间。

五、讨论与结论

讨论部分指出，物理信息损失作为关键增强手段，在所有架构中均改善了物理一致性，但未来可探索具有固有守恒属性的架构（如不变神经算子INO），以通过内置核函数不变性和诺特定理保证线动量与角动量守恒，进一步提高复杂多物理场系统的预测可靠性。研究结论认为，机器学习模型（尤其是FNO）在多孔介质流动预测中不仅更快速高效，还具有可扩展性和网格不变性，非常适合实际热设计；物理信息方法确保预测与底层物理原理一致，增强了可靠性。该工作为机器学习在计算流体动力学和多物理场问题中的进一步应用开辟了道路，方法可扩展至更复杂场景。