Using Physics Informed Neural Network (PINN) and Neural Network (NN) to… — 通俗解释

✨

这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

Each language version is independently generated for its own context, not a direct translation.

这篇论文讲述了一个关于如何让计算机更聪明地模拟流体（比如水流、气流）湍流的故事。作者 Lars Davidson 提出了一种结合“物理定律”和“人工智能”的新方法，来修正现有的数学模型。

为了让你更容易理解，我们可以把这篇论文的内容想象成**“给一个有点笨拙的天气预报员（现有的湍流模型）请了一位超级教练（PINN）和一位翻译官（神经网络）”**。

以下是用通俗语言和比喻进行的详细解读：

1. 背景：天气预报员的“偏科”

想象一下，我们有一个叫 $k-\omega$ 模型的“天气预报员”。它的主要任务是预测空气或水在管道、机翼表面流动时的状态。

它的强项：它能非常准确地预测平均风速（比如风刮得有多快）和摩擦力（风对地面的阻力）。这就像它知道“明天大概刮几级风”。
它的弱项：它完全搞不懂湍流能量（ $k$ ）。湍流能量就像是风的“躁动程度”或“混乱程度”。这个模型总是预测得太低，就像它认为风虽然刮得大，但实际上很“温顺”，没有那种乱窜的漩涡。
原因：经过检查，发现这个模型在计算“能量是如何扩散”（就像热量如何散开）这一项时，算错了。

2. 第一步：请出“超级教练” (PINN)

为了解决“扩散算错”的问题，作者请来了物理信息神经网络 (PINN)。

PINN 是什么？ 它就像一个既懂物理定律（比如牛顿定律），又懂数据（比如超级计算机算出的真实数据 DNS）的超级教练。
教练做了什么？
- 它看着真实的“风”数据（DNS 数据），发现真实的“能量扩散”和模型算出来的不一样。
- 于是，教练重新计算了一个**“修正系数”（叫 $\sigma_k$ ）。你可以把它想象成给模型加了一个“扩音器”或“放大器”**。
- 通过这个修正，模型算出的湍流能量（ $k$ ）终于和真实情况对上了。

3. 第二步：解决“副作用” (保持平衡)

这里有个大问题：如果你强行把“能量（ $k$ ）”调大了，模型预测的“粘性（ $\nu_t$ ）”也会跟着变大，导致之前预测得很准的“平均风速”和“摩擦力”全乱套了。这就像你为了增加汽车的马力，把引擎改大了，结果车跑得太快，方向盘都握不住了。

解决方案：作者引入了两个新的**“刹车片”**（两个新的修正函数 $C_k$ $C_{k}$ 和 $C_{\omega2}$ $C_{ω 2}$ ）。
- 这两个刹车片的作用是：在把能量（ $k$ ）调大的同时，把另一个变量（ $\omega$ ）也相应调整，确保最终的“粘性”保持不变。
- 结果：平均风速和摩擦力依然预测得很准，但湍流能量也变大了，两者达到了完美的平衡。

4. 第三步：请出“翻译官” (神经网络 NN)

虽然上面的方法在简单的直管道里效果很好，但有个缺点：那个“修正系数”是专门针对直管道算出来的。如果水流遇到障碍物（比如流过一座小山），或者在复杂的弯道里，之前的公式就不管用了。

翻译官的任务：作者训练了三个神经网络（NN），把它们当作**“翻译官”**。
- 输入：告诉翻译官当前的流动状态（比如“总应力”和“粘性”的比值）。
- 输出：翻译官根据之前“超级教练”在直管道里学到的经验，实时计算出当前复杂环境下需要的“修正系数”。
- 比喻：这就好比教练不再直接给公式，而是教了一个聪明的学生。学生看到什么地形（直道、弯道、山坡），就自动拿出对应的“扩音器”和“刹车片”组合。

5. 最终成果： $k-\omega$ -PINN-NN 模型

作者把这个新模型命名为 $k-\omega$ -PINN-NN。

测试表现：
- 直管道：完美预测了风速、摩擦力和能量。
- 平板边界层（像风吹过飞机机翼）：表现很好，虽然能量稍微有点偏高，但比旧模型好太多了。
- 周期性山丘流（像风吹过起伏的山脉）：这是最难的测试，因为会有回流和分离。新模型预测的风速和摩擦力与真实数据（DNS）非常吻合，比旧模型强很多。

6. 未来的彩蛋：把“黑盒”变成“白话”

论文最后还做了一个有趣的尝试。神经网络通常是个“黑盒”（你知道它输入什么、输出什么，但不知道中间怎么算的）。作者尝试用符号回归（pySR），把神经网络的复杂计算“翻译”成了一个简单的数学公式（就像 $y = ax + b$ 这种）。

意义：这意味着未来的商业软件（比如工程师用的 CFD 软件）可以直接把这个简单的公式写进去，而不需要安装庞大的 AI 程序，让这项技术更容易被大众使用。

总结

这篇论文的核心思想是：

旧模型算得准“平均”，算不准“混乱”。
**PINN（教练）**利用真实数据，找到了“混乱”的修正方法。
**NN（翻译官）**把这个修正方法变得灵活，能应用到各种复杂地形。
最终，我们得到了一个既懂物理、又懂数据、还能适应复杂环境的超级湍流模型。

这就好比给一个只会背课本的优等生，请了一位有实战经验的教练，并教会了他如何根据现场情况灵活变通，最终让他成为了一名全能冠军。

Each language version is independently generated for its own context, not a direct translation.

这是一份关于 Lars Davidson 论文《利用物理信息神经网络（PINN）和神经网络（NN）改进 $k-\omega$ 湍流模型》的详细技术总结。

1. 研究背景与问题 (Problem)

现有模型的局限性：标准的 $k-\omega$ 湍流模型（如 Wilcox 模型）在预测充分发展的通道流和平板边界层的平均速度场方面表现良好，但严重低估了湍动能（ $k$ ）。这一缺陷也存在于大多数双方程湍流模型中。
误差来源分析：通过与直接数值模拟（DNS）数据对比 $k$ $k$ 方程中的各项发现：
- 产生项（Production, $P_k$ ）和耗散项（Dissipation, $\varepsilon$ ）预测较为准确。
- 湍流扩散项（Turbulent Diffusion, $D_k$ ）的建模存在显著误差，这是导致 $k$ 值预测偏低的主要原因。
挑战：如果直接修改 $k$ 的预测值而不调整其他参数，会导致涡粘性（ $\nu_t = k/\omega$ ）发生变化，进而破坏原本预测良好的平均速度场。因此，需要在提高 $k$ 预测精度的同时，保持 $\nu_t$ 不变。

2. 方法论 (Methodology)

作者提出了一种结合**物理信息神经网络（PINN）和普通神经网络（NN）**的新框架，构建了名为 $k-\omega$ -PINN-NN 的新湍流模型。主要步骤如下：

2.1 利用 PINN 修正扩散项

构建 ODE：利用 DNS 数据中的 $k$ 、 $P_k$ 和 $\varepsilon$ ，将 $k$ 方程转化为关于涡粘性 $\nu_{t,PINN}$ 的常微分方程（ODE）：
$\frac{d}{dy}\left( (\nu + \nu_{t,PINN}) \frac{dk}{dy} \right) + P_k - \varepsilon = 0$
求解：使用 PINN 求解该 ODE，得到修正后的涡粘性 $\nu_{t,PINN}$ ，使其产生的湍流扩散项与 DNS 数据一致。
定义修正系数：定义新的湍流普朗特数 $\sigma_{k,PINN} = \nu_t / \nu_{t,PINN}$ 。

2.2 引入修正函数以保持涡粘性不变

为了在增加 $k$ 的同时保持 $\nu_t = k/\omega$ 不变（即保持速度场预测不变），必须调整 $\omega$ 方程和 $k$ 方程中的源项系数：

在 $k$ 方程的耗散项前引入修正函数 $C_{k,PINN}$ 。
在 $\omega$ 方程的耗散项前引入修正函数 $C_{\omega2,PINN}$ 。
这些函数通过 DNS 数据反演计算得出，确保新模型预测的 $\nu_t$ 与标准 $k-\omega$ 模型一致。

2.3 利用神经网络（NN）泛化模型

由于上述修正系数（ $\sigma_{k,PINN}, C_{k,PINN}, C_{\omega2,PINN}$ ）最初是壁面距离 $y/\delta$ 的函数，无法直接用于复杂流动（如回流区）。因此，作者训练了三个神经网络模型来预测这些系数：

输入参数：选择了两个无量纲参数作为 NN 的输入，使其具有普适性：
1. 总应力比： $\tau_{tot} / u_\tau^2$
2. 涡粘性比： $\nu_t / (y u_\tau)$
输出目标： $\sigma_{k,NN}, C_{k,NN}, C_{\omega2,NN}$ （目标是 PINN 计算出的值）。
训练数据：基于通道流和平板边界层的 PINN 修正结果进行训练。

3. 关键贡献 (Key Contributions)

提出混合架构：首次将 PINN 用于从 DNS 数据中反演湍流扩散项的修正，并利用 NN 将这种修正泛化为适用于复杂流动的代数模型。
解决 $k$ 预测偏差：成功解决了标准 $k-\omega$ 模型低估湍动能的问题，同时未牺牲平均速度场和壁面摩擦系数的预测精度。
可移植性方案：展示了如何将复杂的 NN 模型替换为**符号回归（Symbolic Regression, pySR）**生成的代数方程。这使得改进后的模型可以方便地集成到商业 CFD 软件中（商业软件通常难以直接加载 PyTorch 等深度学习框架）。
开源代码：提供了完整的 Python 代码（PINN、NN、pySR 及 CFD 求解器 pyCALC），促进了研究的可复现性。

4. 结果 (Results)

模型在多种流动工况下进行了验证（雷诺数 $Re_\tau$ 从 550 到 10,000）：

充分发展的通道流 (Channel Flow)：
- 在 $Re_\tau = 2000, 5200, 10000$ 下，新模型预测的速度剖面、壁面摩擦系数和湍动能剖面与 DNS 数据吻合极佳。
- 显著改善了标准模型对 $k$ 的低估问题。
- 修正系数 $\sigma_{k,NN}, C_{k,NN}, C_{\omega2,NN}$ 在不同雷诺数下表现出良好的相似性。
平板边界层流 (Flat-plate Boundary Layer)：
- 壁面摩擦系数和速度剖面预测准确。
- 湍动能峰值预测值略高于 DNS，但分布形态远优于标准 $k-\omega$ 模型。
周期性山丘流 (Periodic Hill Flow)：
- 在分离和再附区域，新模型预测的速度剖面与 DNS 吻合度显著优于标准模型。
- 雷诺剪切应力在外部区域仍有高估，但这归因于双方程模型本身的布辛涅斯克假设局限，而非扩散项修正的问题。
- 在山丘流的大部分区域，NN 预测的修正系数趋于常数（ $\sigma_k \approx 1.21, C_k \approx 0.41, C_{\omega2} \approx 0.043$ ），这表明在复杂流动中，这些系数可能具有局部均匀性，但在通道流中若强行使用这些常数会导致预测失败，证明了输入参数依赖性的必要性。

5. 意义与结论 (Significance & Conclusions)

方法论创新：该研究展示了一种“数据驱动 + 物理约束”的有效路径。利用 PINN 挖掘物理规律（扩散项修正），再利用 NN 进行函数拟合以实现工程应用，最后通过符号回归实现工程落地。
工程应用价值：提出的 $k-\omega$ -PINN-NN 模型不仅提高了预测精度，还通过符号回归（pySR）提供了代数形式的替代方案（如公式 21），解决了机器学习模型难以在工业 CFD 代码中部署的痛点。
未来方向：虽然目前 NN 模型在通道流和边界层流中表现优异，但在复杂回流区（如山丘流）中，输入参数的范围限制可能导致系数趋于常数。未来的工作可能需要扩展训练数据的多样性，或优化输入参数的选择，以更好地捕捉复杂流动中的非平衡效应。

总结：Lars Davidson 的这项工作成功地将机器学习技术（PINN 和 NN）融入传统的 RANS 湍流建模中，显著改善了 $k-\omega$ 模型对湍动能的预测能力，同时保持了速度场的准确性，并为机器学习模型在工业 CFD 中的实际应用提供了可行的技术路线。

Using Physics Informed Neural Network (PINN) and Neural Network (NN) to Improve a k−ωk-ωk−ω Turbulence Model