《Energy and AI》：FDASR-PINNs: A Feature-Enhanced Dual-Head Physics-Informed Neural Network for Sparse-Data Liquid Hydrogen Dispersion Prediction
编辑推荐：
液氢（LH2）泄漏会产生具有尖锐且耦合的浓度与温度梯度的低温羽流，这些梯度难以从稀疏观测中重构。高保真计算流体力学（CFD）对于瞬态后果分析而言计算成本仍然过高，而标准物理信息神经网络（PINN）在处理多尺度结构、耦合输出、不平衡约束以及不断演变的高残差区域时
液氢（LH2）泄漏会产生具有尖锐且耦合的浓度与温度梯度的低温羽流，这些梯度难以从稀疏观测中重构。高保真计算流体力学（CFD）对于瞬态后果分析而言计算成本仍然过高，而标准物理信息神经网络（PINN）在处理多尺度结构、耦合输出、不平衡约束以及不断演变的高残差区域时存在困难。本研究开发了一种具有自适应加权、分阶段训练和残差细化功能的特征增强双头物理信息神经网络（FDASR-PINNs），用于在简化的二维中心平面设置中重构耦合的多尺度浓度-温度场。傅里叶/径向基函数（RBF）特征提升改善了尖锐羽流结构的表征能力，而独立的物理约束输出头分别重构氢质量分数和温度。自适应损失加权、分阶段Adam/L-BFGS训练以及基于残差的重采样在稀疏监督下稳定了优化过程。该模型利用10%–50%的训练数据，在CFD衍生的无风和有风基准上进行了评估。在仅使用10%训练数据的情况下，FDASR-PINNs在有风工况下实现了37.7 K的温度均方根误差（RMSE），而标准PINN为48.2 K，纯数据深度神经网络（DNN）为47.7 K。在无风浓度工况下，RMSE为3.89×10?2，而标准PINN为4.15×10?2，DNN为4.88×10?2。研究结果支持在模拟时段内对无遮挡、近似对称、近地面释放场景进行CFD基准筛选，但并未验证该方法在三维、多相、障碍物主导或实验测量释放场景中的性能。
论文解读
一、研究背景与问题提出
氢能被视为深度脱碳战略中的关键能源载体，在交通运输、工业供热和分布式发电等领域具有广泛应用前景。然而，氢能的规模化安全应用高度依赖于对氢气泄漏与扩散行为的可靠预测。相较于气态氢，液氢（LH2）泄漏问题尤为严峻：低温释放会产生具有尖锐近源梯度和快速瞬态演化的强耦合浓度场与温度场，其危险后果分析对计算精度和时效性提出了极高要求。
当前高保真计算流体力学（CFD）模拟虽然能够较为准确地刻画液氢泄漏扩散的羽流演化过程，但其计算成本极为高昂，难以支撑大量事故场景的快速评估。为降低计算负担，研究者已引入多种基于人工智能的代理模型，如混合神经网络代理模型、本征正交分解模型、Informer架构等。这些方法在气态氢安全分析中取得了一定成效，但其预测精度受限于训练数据所覆盖的场景范围，且无法直接解决低温条件下耦合氢质量分数场与温度场的稀疏数据重构问题。
物理信息神经网络（PINN）为将有限观测数据与 governing 方程约束相结合提供了可行路径。然而，将标准PINN直接应用于液氢泄漏问题面临三方面核心挑战：其一，浓度场与温度场具有不同的物理尺度和残差结构，共享输出表征和固定损失权重会导致优化目标相互竞争；其二，近源区域和羽流前锋存在尖锐的浓度与温度梯度，传统神经网络特征难以有效表征这类多尺度结构；其三，瞬态羽流演化会产生高误差区域，固定配点集合无法充分覆盖这些局部区域。因此，如何将特征增强、输出解耦、自适应损失平衡、分阶段优化与残差重采样进行系统集成，以解决液氢浓度-温度耦合场的稀疏数据重构问题，仍是一个亟待填补的研究空白。
二、研究内容与核心结论
针对上述研究空白，研究人员开发了特征增强双头自适应损失分阶段训练与重采样物理信息神经网络（FDASR-PINNs）。该模型被设计为一种面向任务的物理信息代理模型，用于在简化的二维中心平面设置下，从稀疏CFD衍生观测数据中重构氢质量分数与温度场。模型的核心创新体现在三个层面：第一，采用傅里叶/径向基函数（RBF）增强的特征提取器与双头解码器，分别表征耦合的浓度场和温度场，使各输出头能够保留任务特定的物理约束；第二，集成自适应损失加权、分阶段Adam与L-BFGS训练以及周期性残差重采样的综合优化策略；第三，采用独立的未加权残差诊断方法，检验精度提升是否伴随物理残差的系统性抑制。
研究在无风和有风两种基准条件下，使用CFD衍生训练数据的10%–50%对模型进行了系统评估。结果表明，在仅使用10%训练数据的情况下，FDASR-PINNs在有风工况下实现了37.7 K的温度均方根误差（RMSE），显著优于标准PINN的48.2 K和纯数据深度神经网络（DNN）的47.7 K；在无风浓度工况下，RMSE为3.89×10?2，优于标准PINN的4.15×10?2和DNN的4.88×10?2。研究结论支持该方法在模拟时段内对无遮挡、近似对称、近地面释放场景进行CFD基准筛选，但研究同时明确指出，该结论并不适用于三维、多相、障碍物主导或实验测量释放场景。
三、关键技术方法概述
研究人员采用了以下几项核心技术方法：其一，傅里叶/径向基函数（RBF）坐标特征提升技术，通过将归一化时空坐标映射到高维特征空间，增强网络对尖锐梯度和瞬态羽流结构的表征能力；其二，双头解码器架构，使氢质量分数和温度分别通过独立输出头进行预测，避免不同物理尺度的输出在反向传播过程中相互干扰；其三，自适应损失加权机制，通过可学习系数平衡偏微分方程残差、边界条件损失和数据损失之间的权重；其四，分阶段训练策略，依次采用Adam预热、带学习率调度的完整Adam训练和L-BFGS精化三个阶段；其五，基于残差的周期性重采样方法，将配点动态重新分配至高误差区域。数据来源为CFD衍生的无风和有风两种液氢泄漏扩散基准数据集。
四、研究结果分述
2.1 整体架构与设计理念。 研究论证了将FDASR-PINNs构建为任务特定物理信息代理模型的必要性。初步试验表明，基线模型虽能捕捉整体羽流趋势，但在近源区域、冷核以及移动的浓度-温度界面反复失效——而这些区域恰恰是氢危险评估中最关键的部位。该发现表明，液氢泄漏预测的挑战不仅源于数据稀缺，更源于标准PINN公式与低温扩散多尺度强耦合特性之间的失配。
2.2 增强型神经网络组件。 研究指出，标准多层感知机因谱偏差和频率依赖的学习行为，在PINN设置中可能无法充分表征高频或多尺度特征。为此，研究通过坐标提升和残差特征细化对骨干网络进行了升级：对于归一化坐标输入，通过傅里叶/RBF型特征提升函数生成初始特征，再通过残差块逐层细化，形成共享的多尺度特征表征。
2.3 双头输出与物理约束。 模型通过两个任务特定输出头分别预测氢质量分数和温度，使各输出头在反向传播过程中保持各自的物理约束和边界尺度，避免相互污染。自动微分技术随后用于评估组分和能量残差。
2.4 自适应损失加权与优化策略。 研究引入可学习的自适应权重系数，用于平衡偏微分方程残差、边界条件和数据损失之间的竞争关系。优化过程采用多阶段调度：Adam预热阶段、带学习率调度的完整Adam训练阶段以及L-BFGS精化阶段，以兼顾全局搜索与局部精化的优势。
2.5 残差重采样。 研究采用周期性残差重采样策略，将内部、边界、初始条件和源区域的配点动态刷新，并将更多配点分配至误差较大或梯度较陡的区域，以解决固定配点集合对瞬态高误差区域欠采样的问题。
3. 实验结果。 研究在无风和有风两种基准条件下，使用10%–50%的训练数据对FDASR-PINNs进行了系统评估。结果显示，FDASR-PINNs在各项指标上均优于标准PINN和纯数据DNN。在10%训练数据的极限稀疏条件下，有风工况温度RMSE为37.7 K（标准PINN为48.2 K，DNN为47.7 K），无风浓度RMSE为3.89×10?2（标准PINN为4.15×10?2，DNN为4.88×10?2）。独立的未加权残差诊断进一步检验了精度提升是否伴随物理残差的系统性抑制。
五、讨论与结论总结
讨论部分。 研究系统分析了FDASR-PINNs各核心组件对整体性能的贡献。特征增强模块有效改善了尖锐羽流结构的表征能力，双头输出架构避免了不同物理尺度输出之间的相互干扰，自适应损失加权缓解了异构残差项之间的竞争，分阶段训练兼顾了优化过程的全局探索与局部精化，残差重采样则确保了对瞬态高误差区域的充分覆盖。研究同时强调，其结论仅限于简化的二维单相CFD基准设置，不构成对全三维、多相、障碍物主导或实验测量释放场景的性能证明。
结论翻译。 本研究开发了特征增强双头自适应损失分阶段训练与重采样物理信息神经网络（FDASR-PINNs），用于从稀疏观测中重构液氢泄漏的耦合浓度-温度场。在10%训练数据的极限稀疏条件下，FDASR-PINNs在有风工况下实现了37.7 K的温度RMSE，在无风浓度工况下实现了3.89×10?2的RMSE，均优于标准PINN和纯数据DNN。研究结果为无遮挡、近似对称、近地面释放场景的CFD基准筛选提供了支持，但未来仍需在三维、多相、障碍物主导及实验测量场景中开展进一步验证。
