基于物理信息神经网络的传热过程物理场代理模型的构建

陆至彬，瞿景辉，刘桦，何畅，3，张冰剑，3，陈清林，3

（1 中山大学材料科学与工程学院，广东广州510275； 2 中山大学化学工程与技术学院，广东珠海519082； 3 广东省石化过程节能工程技术研究中心，广东广州510275）

引 言

复杂流体在自然界和工业过程中普遍存在，精确地模拟流体基本传热行为在化工、热力和航空航天等诸多学科领域的研究中不可或缺。通常，研究人员需要测量大量的实验数据（例如温度、速度、压力等）来构建模型[1]，以便进行参数分析、性能表征和模型优化等工作。传统的机器学习方法（深度/卷积/递归神经网络）[2-4]可以最大化利用上述数据蕴含的信息[5]，构建高保真的传热模型以准确描述“输入—输出”间关联关系，进而可用于状态监视、产品质量控制和风险预测。但是，对于大部分具有微观、封闭特征的复杂换热器件（如：微尺度换热器和高温辐射换热器），其内部物理场的关键信息数据的测量成本高昂甚至难以测量，研究人员往往需要在数据稀疏的小数据条件下构建模型或者做出决策，这导致绝大多数传统机器学习方法缺乏鲁棒性，无法提供收敛的保证[6-7]。另外，需要注意的是换热器件内部流体系统通常受高度非线性的Navier-Stokes 方程组控制，物理信息间受到基本物理规律的约束，盲目地以数据驱动方法学习物理场信息，可能会得到难以解释的甚至违背物理规律的结果。

近年来，随着深度残差神经网络（ResNet）[8-9]以及物理信息神经网络（PINN）[7]的相继提出，深度学习算法在求偏微分方程和认识物理规律方面取得了重大进展，突破了传统机器学习受限于数据驱动和黑箱建模的局面。……