基于物理引导学习框架从稀疏测量重构器官低温保存中的温度场

《International Journal of Heat and Mass Transfer》：Temperature field reconstruction in organ cryopreservation from sparse measurements using a physics-guided learning framework

　　

在器官冷却与复温过程中，准确预测瞬态三维温度场对维持低温保存中的活性至关重要。然而，该任务从根本上受限于实验测量数据稀缺、模拟与真实实验数据间的分布差异，以及与相变过程相关的强非线性。研究人员提出一种瞬态温度查询网络（Transient Temperature Query Network, TTQN），通过将温度场重构重新表述为查询驱动的条件回归任务，整合模拟与真实实验数据，并建立涵盖多种动物组织与器官的大规模混合数据集。通过引入多通道热物理参数、多尺度特征提取模块及物理引导损失函数，所提模型在稀疏观测条件下能够实现器官任意内部位置的精确温度预测。相比若干基准模型，TTQN展现出更优的预测性能，在有限观测条件下保持稳定的重构精度，并显著缩小模拟到实验的差距。该研究为生物材料中三维温度场预测建立了可扩展且可泛化的范式，为器官保存过程中的精细热调控策略提供核心技术支撑。

研究背景方面，器官低温保存中温度场的时空演化直接决定器官功能与移植成功率。与细胞等微观样本不同，器官作为大尺度异质生物结构，在冷却与复温中存在核心区冷却滞后与高度非均匀温度分布，易诱发冰晶形成、热机械应力与重结晶等致命损伤。现有接触式（热电偶、光纤温度传感器）与非接触式（红外热成像）手段均只能获取表面或极少数内部离散点温度，无法捕获完整三维瞬态温度场；基于热传导方程（heat-conduction equation）的数值模拟依赖精确边界条件与物理参数，在真实复杂环境中易偏差；纯数据驱动模型受限于真实器官场景数据稀缺，泛化性差。模拟与真实数据间的分布鸿沟进一步制约了结合两类数据的学习范式。为此，研究人员将器官内部温度预测重构为稀疏观测驱动的条件回归问题，提出TTQN框架，以在物理先验与有限真实数据间建立桥梁。

关键技术方法上，研究人员构建了覆盖多种组织类型与保存条件的大规模模拟数据集，并以可编程低温腔内氮蒸气流动（流体域，稳态不可压缩Navier–Stokes方程描述）与生物器官（固体域，生物传热方程描述）耦合模拟冷却–保温–复温过程；真实实验数据来自猪肉、牛肉及新鲜猪心、猪肝、猪肾的冷却与复温测量。模型架构集成全局物理场编码器、多尺度局部特征提取与基于查询的解码器，输入包含多通道热物理参数（比热容c_p、导热系数k、密度ρ）与稀疏观测点集S={x₁,…,x_M}（M?|Ω|），以时间t作为条件输入，任意查询点x处的温度T(x,t)由网络回归给出；训练采用模拟数据大规模预训练结合真实稀疏观测微调，损失函数融合数据误差与反映热传导平滑特性的物理引导正则项。

研究结果部分，按原文小节归纳如下。在问题表述与数据集构建（Problem formulation and dataset construction）中，研究人员明确将全器官瞬态温度场重构定义为：在Ω??³内给定稀疏点集S上的观测y_i(t)=T(x_i,t)，预测任意(x,t)处T(x,t)；指出四大挑战为强时空耦合非稳态、观测极稀疏、热物理参数不确定、相变（近0°C潜热释放致c_p与k非光滑突变）诱导非线性。在模拟驱动数据生成（Simulation-driven data generation）中，通过流体–固体耦合仿真产出物理一致的全场温度与多物理参数表征，为预训练提供物理感知样本。后续模型主体（TTQN架构）经模拟预训练与真实微调，在猪心、肝、肾及肉样测试集上较基准模型取得更稳定重构精度，显著缩小模拟–实验分布差。

讨论与结论部分，研究人员指出TTQN将温度场重构转化为查询驱动条件回归，使任意内部位置与时间步的温度可在稀疏传感器布置下连续重构，缓解了相变非线性与参数不确定性带来的逆问题不适定性；该框架可扩展至过冷灌注冷却与磁热复温等场景，辅助调节冷却复温温差、降低非均匀传热损伤。研究建立了生物材料三维温度场预测的可扩展可泛化范式，为器官保存精细热调控提供核心技术支撑。论文发表于《International Journal of Heat and Mass Transfer》。