🔢 mathematics

Physics-informed neural networks for solving two-phase flow problems with moving interfaces

本文提出了一种基于物理信息神经网络（PINNs）的无网格方法，通过构建包含控制方程、界面条件及边界初始条件的最小二乘优化问题，有效求解了具有移动界面的两相流问题，并给出了严格的理论误差分析与数值验证。

原作者： Qijia Zhai, Pengtao Sun, Xiaoping Xie, Xingwen Zhu, Chen-Song Zhang

发布于 2026-04-02

📖 1 分钟阅读🧠 深度阅读

原作者： Qijia Zhai, Pengtao Sun, Xiaoping Xie, Xingwen Zhu, Chen-Song Zhang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 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

这篇论文介绍了一种非常聪明的新方法，用来解决物理学中一个让人头疼的问题：两种互不相溶的液体（比如油和水）在流动时，它们之间的分界线是如何不断变化的。

为了让你轻松理解，我们可以把这篇论文的核心内容想象成**“用 AI 当向导，在流动的河流中画地图”**的故事。

1. 背景：为什么这个问题很难？

想象一下，你正在观察一锅正在搅拌的汤，里面有油滴和水。

传统方法（老派做法）： 以前的科学家就像是用乐高积木来模拟这个汤。他们必须把汤的空间切分成无数个小方块（网格）。当油滴变形、移动时，这些乐高积木必须不断被拆掉、重新拼凑，以适应新的形状。如果油滴形状变得很复杂（比如像章鱼一样伸展），或者两种液体的性质差异巨大（比如水和蜂蜜），这些“积木”就会乱套，计算量巨大，甚至算不出来。
新挑战： 这种“分界线”不仅会动，而且它的运动方式有两种：
1. 按剧本走： 分界线怎么动，我们事先就知道（比如有人推着它走）。
2. 即兴发挥： 分界线怎么动，完全取决于液体怎么流（比如水流推它，它才动）。这是最难的，因为“水流”和“分界线”互相影响，像是一个死循环。

2. 核心创新：不用积木的“魔法画笔”

这篇论文提出了一种叫**“物理信息神经网络”（PINNs）**的新方法。

不用网格（Meshfree）： 它不再用乐高积木（网格）去切分空间。相反，它像是一位天才画家，手里拿着一支神奇的画笔（神经网络）。
怎么画？ 这位画家不需要画满整个画布，他只需要在画布上随机撒一些**“采样点”**（就像在画布上撒了一把芝麻）。
物理法则就是规则： 这位画家不是瞎画的，他手里拿着一本《物理定律说明书》（纳维 - 斯托克斯方程）。他必须保证：
- 在液体内部，流动要符合物理定律。
- 在边界上，速度要连续，力要平衡。
- 在分界线上，两种液体的表现要符合它们相遇时的规则。
训练过程： 画家不断调整他的笔触（神经网络的参数），直到他画出的所有“芝麻点”都完美符合物理定律。这时候，整幅画（整个液体的流动状态）就出来了。

3. 论文的三大亮点（用比喻解释）

亮点一：两种“剧本”都能演

论文不仅解决了“按剧本走”（分界线运动已知）的情况，还攻克了“即兴发挥”（分界线运动由液体流速决定）的难题。

比喻： 以前 AI 只能演那种台词都写好的戏。现在，这篇论文教 AI 演**“即兴喜剧”**。AI 一边演（计算流速），一边根据演出来的结果实时修改舞台布景（分界线位置），然后再继续演。这是一个动态的、互相咬合的过程。

亮点二：给 AI 一个“理论说明书”

很多 AI 方法只是“试出来”是对的，但不知道为什么对。这篇论文不仅做了实验，还写了厚厚的**“理论证明”**。

比喻： 就像不仅告诉你“这道菜好吃”，还从化学和营养学角度证明了“为什么好吃”。作者利用了一个叫**“雷诺输运定理”的高级数学工具，证明了只要撒的“芝麻点”（采样点）足够多，AI 画出来的图就一定会无限接近真实情况。他们还算出了误差主要来自哪里（主要是边界和分界线上的点不够密），这给实际操作提供了“避坑指南”**。

亮点三：给 AI 加点“小抄”（观察点）

当两种液体性质差异极大（比如水和蜂蜜）时，分界线附近的压力变化非常剧烈，AI 容易画歪。

比喻： 这时候，作者给 AI 提供了一些**“已知答案的小抄”**（观察点数据）。他们在分界线上放几个已知压力的点，告诉 AI：“这里必须是这个值”。
效果： 就像学生考试时，虽然大部分题要自己算，但如果有几个关键题的答案给了提示，整张卷子的准确率就会瞬间飙升。实验证明，加上这些“小抄”后，即使面对性质差异巨大的液体，AI 也能算得很准。

4. 实验结果：真的好用吗？

作者做了三个实验：

简单的变形： 一个椭圆形的油滴在流动中变形、旋转、平移。AI 画得很准。
复杂的变形 + 性质差异大： 油滴变成了五瓣花形状，而且一边是水，一边是超粘稠的蜂蜜。一开始 AI 画得有点乱，但加上“小抄”（观察点）后，立刻变得非常精准。
完全即兴： 分界线完全由流速决定。AI 通过一种**“迭代追踪”**的算法（像走一步看一步），成功追踪到了分界线的变化轨迹，从最初的圆形慢慢变成了不规则形状。

5. 总结：这对我们意味着什么？

这篇论文就像是为解决复杂的流体问题（比如微流控芯片设计、血液在血管中的流动、环境污染扩散等）提供了一把**“万能钥匙”**。

以前： 遇到形状复杂、变化剧烈的流体，科学家要花费巨大算力去调整网格，甚至算不出来。
现在： 有了这个新方法，不需要复杂的网格，只需要在关键位置撒点，配合物理定律，AI 就能自动画出流动的真相。它既理论严谨（有数学证明），又实用高效（适合复杂场景）。

简单来说，就是让 AI 学会了在流动的液体中“无中生有”地画出精确的地图，而且不管地图怎么变，它都能跟得上节奏。

这是一篇关于利用物理信息神经网络（PINNs）求解具有移动界面的两相流问题的学术论文详细技术总结。

1. 研究背景与问题定义

问题背景：
两相流移动界面问题在微流体、生物医学工程、环境流体动力学及工业过程中至关重要。这类问题涉及两种不混溶流体（具有不同的材料属性，如密度和粘度）通过动态演化的界面相互作用。
核心挑战：

几何复杂性： 界面随时间连续演化，传统网格方法需要频繁的重网格化（remeshing）和界面追踪，计算成本高昂且实现复杂。
物理不连续性： 界面两侧的材料属性（密度、粘度）存在突变，导致解的奇异性，需要精确处理跳跃条件。
耦合机制： 流体动力学与界面演化之间存在双向耦合。特别是“解驱动（solution-driven）”的界面运动，即界面速度由流体速度场决定，这增加了理论分析和数值实现的难度。
理论缺口： 现有的 PINNs 方法在处理随时间演化的域（moving domains）时，缺乏严格的能量误差估计和收敛性保证，且多局限于预设界面运动或扩散界面模型，难以直接处理锐利界面（sharp interface）。

数学模型：
基于不可压缩 Navier-Stokes 方程，在两个随时间演化的子域 $\Omega_1(t)$ 和 $\Omega_2(t)$ 中求解速度 $v_i$ 和压力 $p_i$ 。界面 $\Gamma(t)$ 上需满足：

运动学条件： 速度连续（或满足给定的跳跃），界面速度等于流体速度。
动力学条件： 应力平衡（考虑表面张力等，若 $g_2=0$ 则力平衡）。
边界与初始条件。

2. 方法论：基于 PINNs 的无网格框架

论文提出了一种全新的无网格 PINNs 框架，将两相流移动界面问题重构为最小二乘（Least-Squares, LS）最小化问题。

核心策略：

分段神经网络架构：
- 针对两个流体子域 $\Omega_1(t)$ 和 $\Omega_2(t)$ ，分别构建独立的深度神经网络（DNN）。
- 输入为时空坐标 $(x, t)$ ，输出为各自区域内的速度和压力场。
- 这种分段结构天然地允许界面两侧解的不连续性（如密度、粘度突变）。
时空采样与训练集构建：
- 在流体子域内部、外部边界、初始域以及移动界面上定义时空采样点（训练集）。
- 预设界面运动： 界面位置已知，可直接生成采样点。
- 解驱动界面运动： 界面位置未知，需通过非线性迭代算法（Algorithm 1）动态追踪。利用当前网络预测的流体速度积分更新界面位置，并动态调整子域内的采样点分布。
损失函数（Loss Function）：
构建包含所有残差的加权最小二乘损失函数：
$\mathcal{R} = \sum \omega \int (\text{PDE 残差})^2 + \sum \omega \int (\text{边界条件})^2 + \sum \omega \int (\text{初始条件})^2 + \omega_\Gamma \int (\text{界面条件})^2$
- 利用蒙特卡洛积分将积分项离散化为均方误差（MSE）。
- 引入自适应权重策略（Adaptive Weighting）和观察点（Observation Points）策略，特别是在高对比度参数下，通过引入少量界面压力观测数据来辅助训练，提高精度。
优化算法：
使用 Adam 优化器，结合余弦退火学习率调度（CosineAnnealingLR）和两阶段训练策略（预训练 + 主训练）。

3. 关键理论贡献

论文在理论分析方面取得了突破性进展，填补了 PINNs 在移动域问题上的理论空白：

基于雷诺输运定理（Reynolds Transport Theorem）的误差分析：
- 首次将雷诺输运定理应用于 PINNs 框架，严格推导了随时间演化域上的能量误差估计。
- 证明了总误差由两部分组成：优化误差（网络拟合能力）和求积误差（离散采样带来的误差）。
严格的收敛性定理（Theorem 4.1）：
- 给出了速度场和压力场的 $L^2$ 误差上界。
- 关键发现： 误差界不仅依赖于内部 PDE 残差，还显式依赖于界面条件、边界条件和初始条件的残差。
- 理论指导意义： 证明了在界面、边界和初始域上的采样点密度对整体精度至关重要。这为实践中如何最优分布采样点提供了理论依据（即不能仅关注内部点，必须增加界面和边界的采样密度）。
双向耦合的理论保证：
- 针对“解驱动”界面运动，分析了由运动学耦合条件引入的额外耦合项，证明了即使在复杂的双向耦合下，该方法依然具有理论收敛保证。

4. 数值实验结果

论文通过三个具有挑战性的算例验证了方法的有效性：

算例 1：预设界面运动（无参数跳跃）
- 界面经历变形、平移和旋转（螺旋面）。
- 结果： 随着采样点增加，广义误差（Generalization Error）显著下降，验证了理论预测。界面附近的误差略高，但整体精度达到 $10^{-2}$ 量级。
算例 2：预设界面运动（高对比度参数跳跃）
- 界面形状复杂（五重调制），且密度和粘度在界面处发生剧烈跳跃（ $\rho_1=1, \rho_2=1000$ ）。
- 挑战： 初始训练误差较大（ $10^{-1}$ ），主要源于压力在界面处的拟合困难。
- 解决方案： 引入少量界面压力观测点（Observation Points）作为额外约束。
- 结果： 误差迅速降至 $10^{-2}$ 量级，证明了该方法处理高对比度物理参数的能力。
算例 3：解驱动界面运动（最复杂场景）
- 界面完全由流体速度场演化决定，初始为圆形，随时间演变为不规则形状。
- 实现： 采用了 Algorithm 1 进行动态界面追踪和采样点更新。
- 结果： 成功追踪了界面的非线性演化过程，误差保持在 $10^{-2}$ 量级，且随着采样点增加呈现收敛趋势。验证了该方法在处理真实物理场景（界面由解驱动）时的鲁棒性。

5. 意义与结论

主要贡献总结：

无网格优势： 彻底消除了复杂移动界面问题中繁琐的网格生成和适应过程，特别适用于三维或几何形状剧烈变化的场景。
理论严谨性： 建立了首个针对移动界面两相流 PINNs 的严格能量误差估计框架，明确了采样点分布对精度的影响机制。
通用性与扩展性： 统一框架同时处理“预设运动”和“解驱动运动”两种场景，并能有效处理高对比度材料属性。
实践指导： 提供了基于理论分析的采样点分布策略，指导用户如何在界面和边界处增加采样点以获得最优精度。

应用前景：
该方法为微流体、生物医学（如细胞流动）、环境科学中的复杂两相流问题提供了一种高效、物理一致且理论可靠的数值模拟工具，有望成为传统基于网格方法（如有限元、有限体积法）的有力替代方案，特别是在处理流体 - 结构相互作用（FSI）和复杂界面动力学问题时。

未来方向：
作者计划进一步研究奇异解的鲁棒性、开发自适应采样策略、扩展至高维问题以及探索多物理场耦合应用。