基于神经算子的虚拟感知框架MIMONet：从稀疏异构测量中实时重构不可访问内部场

《Nature Communications》：Virtual sensing to enable real-time monitoring of inaccessible locations & unmeasurable parameters

　　

摘要

实时监测安全关键的内部状态在能源、环境和工业系统中仍是一个未解决的难题，这些系统中直接仪表测量往往不可行。基于控制方程、离散状态向量或固定传感器位置的现有方法，无法在实时约束下提供与网格无关的、在任意内部坐标处的场级重构。在此，我们提出了一种基于神经算子的虚拟感知通用框架，用于从稀疏、异构的测量数据和运行条件中恢复不可访问的内部场，并实例化为MIMONet——一种多输入、多输出的神经算子，通过融合异构输入并经由共享潜在表征解码耦合物理场。在三项复杂度递增的工程级评估中，从受限回流流到压水堆子通道再到紧凑型电力系统换热器，MIMONet实现了≤5%的相对重构误差，同时在NVIDIA H200上生成亚毫秒级的全场预测，比传统高保真CFD模拟快至少五个数量级，并在换热器案例中展示了校准不确定性和噪声鲁棒性。我们在三个跨越电化学能源、大气科学和物理海洋学的独立真实数据集上验证了该框架：氢燃料电池中的电流密度映射、仪器化气象塔上的风速廓线以及全球海洋再分析数据中的北大西洋海洋状态。MIMONet相较于经典虚拟感知基线方法提升了72%至84%：在仅10%传感器覆盖率下，燃料电池内部场恢复提升84%；利用塔底低层传感器恢复轮毂高度风速提升83%。最为引人注目的是，它利用从观测到的温度和盐度中学习的耦合关系，恢复了海面高度——一个没有任何直接传感器的场——其误差比最佳经典预测器低4.1倍，实现了超越经典插值能力的跨模态场恢复。这些结果确立了基于算子的虚拟感知作为一条实用途径，可在那些最重要的状态无法直接测量的系统中实现实时场可观测性。