基于时间步进有限差分物理信息神经网络（TFD-PINN）的瞬态两相流模拟方法

《Energy and AI》：TFD-PINN: A time-stepping finite-difference physics-informed neural network for transient two-phase flows

　　

摘要专业翻译 精确解析浮力驱动的两相流对于优化先进能量转换系统中的对流传热和热力学效率至关重要。然而，使用高阶相场模型（phase-field model）模拟这些复杂的动量和界面动力学过程面临着巨大的计算挑战。尽管标准物理信息神经网络（physics-informed neural networks, PINNs）提供了一种有前景的替代方案，但由于梯度病态（gradient pathologies）、谱偏差（spectral bias）和长期误差累积等问题，此类方法难以捕捉尖锐的相界面和瞬态物理特征。为克服上述瓶颈，本研究提出了一种数据辅助的时间步进有限差分物理信息神经网络（time-stepping finite-difference PINN, TFD-PINN）。该架构用基于网格的模板（grid-based stencils）替代自动微分（automatic differentiation），并整合了可训练尺度的傅里叶特征嵌入（trainable-scale Fourier feature embedding）、逐元素门控（element-wise gating）和动态梯度归一化（dynamic gradient normalisation），以自主平衡相互竞争的多物理目标。此外，采用序列时间窗口策略（sequential time-windowing strategy）作为有效的数据同化（data-assimilation）机制，以约束自回归误差传播。该框架经过了严格验证。在时间反演涡流（time-reversed vortex flow）测试中，该方法表现出可接受的拓扑可逆性，体积误差仅为0.27%，最大几何豪斯多夫偏差（Hausdorff deviation）为5.93%。在上升气泡（rising bubble）基准测试中，TFD-PINN充分捕捉了动量输运与相演化之间的双向相互作用。模型追踪宏观运动学特征时质心误差低于1%，在较长的物理时间内相对相场误差保持在6%以下。因此，尽管扩散界面近似（diffuse-interface approximation）固有的局部场级偏差仍然存在，数据辅助的TFD-PINN成功再现了选定的二维等温界面基准问题，为模拟下一代能源技术中的非等温多相动力学奠定了初步基础。

论文解读文章

一、研究背景与问题提出

精确模拟浮力驱动的两相流（two-phase flows）对于优化先进能量转换系统中的对流传热和热力学效率具有关键意义。在诸多工业应用中，如核反应堆冷却、热交换器设计以及能源转换装置的性能优化，两相流的动量输运与相界面演化行为直接决定了系统的整体效率和安全性。然而，这类流动涉及复杂的动量耦合和界面动力学过程，使用传统的高阶相场模型（phase-field model）进行数值模拟虽然精度较高，但计算成本极为高昂，难以满足工程实际中对大规模、长时间尺度模拟的需求。

近年来，物理信息神经网络（physics-informed neural networks, PINNs）作为一种新兴的偏微分方程求解范式受到广泛关注。PINN通过将物理定律嵌入神经网络损失函数，实现了无网格或无标注数据驱动的偏微分方程求解，在多个流体力学问题中展现出潜力。然而，将标准PINN应用于两相流模拟时面临三大核心瓶颈：其一，梯度病态（gradient pathologies）问题导致多物理目标之间的梯度量级失衡，使训练过程难以收敛到最优解；其二，谱偏差（spectral bias）使神经网络倾向于优先学习低频分量，难以捕捉相界面附近的尖锐梯度特征；其三，长时间序列模拟中的误差累积导致自回归预测结果随物理时间推移而迅速劣化。上述问题严重制约了PINN在瞬态两相流模拟中的实际应用。

二、研究内容与总体结论

针对上述瓶颈，研究人员提出了一种数据辅助的时间步进有限差分物理信息神经网络（time-stepping finite-difference PINN, TFD-PINN）。该框架的核心创新在于以网格基模板（grid-based stencils）替代自动微分（automatic differentiation）计算空间导数，从根本上规避了高阶自动微分带来的梯度病态问题；同时引入可训练尺度的傅里叶特征嵌入（trainable-scale Fourier feature embedding）以缓解谱偏差，增强网络对高频界面信息的表达能力；采用逐元素门控（element-wise gating）机制实现多物理场之间的自适应特征交互；并利用动态梯度归一化（dynamic gradient normalisation）自主平衡动量方程、连续性方程和相场方程等相互竞争的多物理目标。此外，研究人员设计了序列时间窗口策略（sequential time-windowing strategy）作为数据同化（data-assimilation）机制，将长时间预测分解为多个时间窗口逐步推进，有效约束了自回归误差的传播与累积。

研究在两类基准问题上对该框架进行了系统验证。在时间反演涡流（time-reversed vortex flow）测试中，TFD-PINN展现了良好的拓扑可逆性，体积误差仅为0.27%，最大几何豪斯多夫偏差（Hausdorff deviation）为5.93%。在上升气泡（rising bubble）基准测试中，该框架充分捕捉了动量输运与相演化之间的双向耦合作用，质心误差低于1%，在较长物理时间内相对相场误差保持在6%以下。上述结果表明，尽管扩散界面近似（diffuse-interface approximation）固有的局部场级偏差仍然存在，数据辅助的TFD-PINN成功再现了选定的二维等温界面基准问题，为后续向非等温多相动力学模拟的拓展奠定了坚实基础。

三、关键技术方法概述

研究人员为开展本研究采用了以下几项核心技术方法：第一，以有限差分网格模板替代自动微分进行空间导数计算，有效缓解梯度病态；第二，引入可训练尺度的傅里叶特征嵌入（Fourier feature embedding）增强网络对高频界面特征的表达能力；第三，采用逐元素门控（element-wise gating）机制实现多物理场特征的自适应融合；第四，利用动态梯度归一化（dynamic gradient normalisation）平衡多目标损失函数中各物理约束的贡献；第五，采用序列时间窗口策略（sequential time-windowing strategy）作为数据同化机制，将长时程预测分解为多个短时间窗口逐步推进，以约束自回归误差传播。上述方法共同构成了TFD-PINN的核心技术架构。

四、研究结果

时间反演涡流测试中的拓扑可逆性验证。 研究人员在时间反演涡流基准问题上评估了TFD-PINN的拓扑可逆性。通过正向时间推进后反向时间回溯，检验网络是否能够恢复初始相场分布。结果表明，该方法在时间反演过程中保持了可接受的拓扑可逆性，体积误差仅为0.27%，最大几何豪斯多夫偏差为5.93%，验证了框架在时间对称性保持方面的有效性。

上升气泡基准中的动量-相场耦合模拟。 研究人员在经典上升气泡（rising bubble）基准测试中评估了TFD-PINN对浮力驱动两相流的模拟能力。该基准涉及气泡在密度差驱动下的上升运动，包含动量输运与相界面演化的双向耦合。结果表明，TFD-PINN能够充分捕捉两相之间的动量交换和相界面变形行为。模型追踪气泡宏观运动学特征时，质心误差保持在1%以下，在较长的物理时间内相对相场误差低于6%，证明了框架在瞬态两相流长时间模拟中的稳定性和准确性。

五、讨论与结论总结

在讨论部分，研究人员指出，尽管TFD-PINN在宏观运动学层面取得了令人满意的精度，但扩散界面近似（diffuse-interface approximation）固有的局部场级偏差仍然存在，表现为相界面附近局部场量的细微偏差。这一局限源于相场方法本身的物理近似特性，而非网络架构缺陷。研究人员认为，数据辅助的时间窗口策略在约束误差传播方面发挥了关键作用，是保证长时间模拟稳定性的核心因素之一。

研究结论部分可翻译总结为：本研究提出的数据辅助TFD-PINN成功再现了选定的二维等温界面基准问题，在时间反演涡流和上升气泡两个标准测试中均取得了可接受的精度水平。该工作为利用物理信息神经网络模拟更复杂的非等温多相动力学问题奠定了方法论基础，有望推动下一代能源技术中多相流模拟的智能化发展。