Physics Informed Neural Network-based Computational Method for Accelerating Time-Periodic Unsteady CFD Simulations

本文提出了一种基于物理信息神经网络（PINN）的计算方法，该方法通过优化单个周期而非模拟瞬态初始条件来直接求解时间周期流态，从而在保持与传统网格求解器相当精度的同时，显著降低了计算时间。

要点

以下是用通俗易懂的语言和生动的类比对该论文的解读。

核心难题：等待公交车

想象一下，你试图弄清楚一辆在完美环形路线上运行的公交车的时刻表。它从车站出发，绕着轨道行驶，每 10 分钟回到完全相同的地点。

在传统的计算机模拟（称为CFD或计算流体动力学）中，如果你想知道公交车在第 10 分钟时的状态，计算机必须从第 0 分钟重新开始。它必须模拟公交车从完全静止的状态启动、加速、轻微晃动，最终进入其平滑且重复的循环。

论文将这一过程称为“瞬态阶段”。
这就像等待一锅水烧开。如果你想研究沸腾的水，你必须先等待整个加热过程。对于像动脉中的血液流动或飞机机翼周围的气流旋涡这样复杂的问题，这种“加热”阶段可能需要数小时甚至数天的计算机运算时间，尽管你只关心最终稳定且重复的模式。

新解决方案：“时间旅行”捷径

作者（Lakshya Chaplota、Harshita Agarwala 和 Atul Sharma）提出了一种利用**物理信息神经网络（PINNs）**来解决此问题的新方法。

与其看着公交车从零开始启动并等待其稳定下来，他们的方法要求计算机：“跳过等待。直接告诉我公交车在完美循环运行时的状态。”

他们使用了一种特殊的 AI（神经网络），它充当一个超级聪明的猜测者。

1. 猜测：AI 对单个循环（一个时间周期）内的温度或流体流动形态进行猜测。
2. 物理检查：AI 根据物理定律（如热量如何传递或流体如何旋涡）检查自己的猜测。如果猜测违反了物理定律，AI 会从错误中学习并再次尝试。
3. 结果：AI 不断 refine 其猜测，直到找到符合物理定律的完美模式，从而跳过整个“预热”阶段。

他们如何实现（“秘密配方”）

论文详细介绍了他们为使这个 AI 猜测者既快速又准确而使用的三个主要技巧：

1. “硬约束”技巧（刚性框架）
通常，AI 模型必须被告知：“嘿，记得在墙壁处保持零温度！”但它们可能会忘记或稍微出错。
作者将“游戏规则”直接构建到了 AI 的“大脑”中。他们设计了 AI，使其在墙壁处猜测错误的温度或在起点处出错在物理上成为不可能。这就像建造了一条强制火车留在轨道上的铁轨；火车（AI）不需要被告知要留在轨道上；它 literally 无法离开。这节省了巨大的时间。

2. “快照”策略
AI 不再试图学习从第 0 分钟到第 100 分钟的公交车完整历史，而只观察极短的时间切片——恰好一个循环（例如第 10 分钟到第 20 分钟）。因为公交车会自我重复，知道一个完美的循环就能让你了解未来所需的一切。

3. “无网格”地图
传统计算机使用刚性网格（像方格纸）来计算这些问题。如果你想要更多细节，就必须在纸上画更多的线，这需要耗费漫长时间。
这种新方法是无网格的。想象一下 AI 根本不使用方格纸。相反，它在整个空间中随机放置几个智能“传感器”（称为配点）。它基于这些传感器学习模式。即使传感器非常少，它也能绘制出整个流动的平滑、连续图像，而不仅仅是网格上的点。

他们的测试内容

他们用这种“时间旅行”AI 测试了两类问题：

1. 热扩散：热量如何在金属板（有些带有孔洞）中传播。
2. 流体流动：空气或水如何在带有移动盖子的盒子（如风洞）内部旋涡。

结果：速度与精度

论文将他们的新型 AI 方法与旧的“等待沸腾”方法进行了比较。

• 旧方法：为了获得准确的结果，传统计算机必须模拟数千个步骤。这需要很长时间（数小时）。
• 新方法：AI 直接找到了重复模式。
  • 对于热扩散：AI 比传统方法快82% 到 99%，同时保持了相同的精度（甚至在数据点更少的情况下精度更高）。
  • 对于流体流动：AI 快了5 到 10 倍。

结论

论文声称，通过使用这种特定类型的 AI，工程师可以跳过模拟中枯燥缓慢的“启动”阶段。他们可以直接进入问题中有趣且重复的部分。

类比总结：

• 传统方法：从第一帧开始观看电影，等待情节稳定，只为看到最后一幕。
• 本文方法：询问导演：“跳过序言。直接展示英雄已经获胜的最后一幕。”AI 就是那位导演，它根据故事的规则（物理定律）确切知道场景必须是什么样子，而无需先演绎那些无聊的部分。

作者得出结论，这种方法是一个强大的工具，用于解决涉及热和流体流动中重复模式的问题，在保持精度的同时节省了显著的计算机时间。

技术摘要

技术摘要：基于物理信息神经网络的计算方法加速时间周期性非定常 CFD 模拟

问题陈述
传统计算流体动力学（CFD）方法在获取时间周期性流动解时，依赖于从瞬态到周期性的模拟。这些方法从初始条件出发，需要经过计算成本高昂的时间推进，穿越非周期性瞬态阶段，直至流动达到稳定的周期性状态。正如文献所指出的，总计算时间中有相当一部分被用于模拟这一初始瞬态阶段，而对于仅关注周期性行为的工程应用而言，该阶段往往毫无意义。现有的替代方案，如谐波平衡技术或伪谱方法，通常在处理傅里叶系数时引入复杂性，需要特定的解析处理，或面临高计算成本和收敛性问题。作者指出，文献中缺乏一种全面且计算高效的物理信息神经网络（PINN）方法，该方法专门设计用于绕过瞬态阶段，直接在简单和复杂几何结构中求解时间周期性状态。

方法论
本文提出了一种基于无网格 PINN 的周期性求解器，专注于时间周期性状态，通过优化神经网络参数来拟合单个时间周期窗口（$t \in [t_{min}, t_{max}]$），而非从 $t=0$ 开始的整个时间域。该方法包含以下几个关键技术组件：

1. 采样策略：与传统瞬态求解器不同，时间域被限制在一个周期（$t_P$）内。配点采用拉丁超立方采样（LHS）在时空域上进行采样，起始于足够大的 $t_{min}$，此时瞬态已衰减。
2. 硬约束与混合约束：为解决 PINN 中常见的损失项不平衡问题，作者采用了硬约束公式。解被构建为 $T_{NN} = u_{NN} \cdot G(x,y,t) + L(x,y,t)$，其中 $G$ 和 $L$ 是辅助函数，旨在通过构造严格满足初始条件和边界条件（ICs/BCs）。对于具有奇异边界条件的问题（例如角点处的不连续跳跃），采用混合方法，即对初始条件施加硬约束，而通过软损失项强制执行边界条件。
3. 数值微分（ND）：该方法不完全依赖自动微分（AD）来计算偏微分方程（PDE）残差，而是利用带有中心差分和向后差分方案的数值微分（ND）。这使得在相对稀疏的配点下也能进行高效训练。自动微分（AD）仅保留用于优化步骤（通过 Adam 更新权重）。
4. 傅里叶特征嵌入（FFE）：输入空间利用傅里叶基函数（特别是基频谐波）进行扩展，以提高网络捕捉解的非线性周期性行为的能力。
5. 损失函数：对于周期性流动问题（纳维 - 斯托克斯方程），引入了额外的惩罚项，通过确保流场及其时间导数在 $t_{min}$ 和 $t_{max}$ 处相同，来强制实施时间周期性。

主要贡献

• 直接周期性求解器：本文引入了一个 PINN 框架，直接逼近周期性状态，消除了模拟计算成本高昂的瞬态阶段的需求。
• 混合约束与数值微分公式：本研究展示了一种稳健的实现方案，结合了用于精确满足 IC/BC 的硬约束和用于 PDE 残差计算的数值微分，提高了精度和训练稳定性。
• 全面的超参数研究：对神经网络架构（层数和神经元数）、配点密度以及数值微分的点间距对精度（$L_2$ 误差）和计算时间的影响进行了系统调查。
• 基准测试：将所提出的求解器与传统的基于有限体积法（FVM）的瞬态到周期性求解器进行了严格比较，测试对象包括二维热扩散（在有孔和无孔平板中）以及二维不可压缩流体流动（振荡顶盖驱动腔），雷诺数各不相同。

结果
验证和性能研究得出以下发现：

• 精度：与网格无关的 FVM 参考解相比，基于 PINN 的求解器实现的平均 $L_2$ 误差范数在 $O(10^{-2})$ 范围内（通常为 0.1% 至 4.7%，具体取决于问题和网格密度）。
• 计算效率：与 FVM 求解器相比，PINN 求解器显示出计算时间的显著减少。
  • 对于热扩散问题，PINN 求解器在粗网格（例如 $50 \times 50$）上实现了与 FVM 求解器相当或更好的精度，且耗时显著更少（减少高达 99%）。即使与更细的 FVM 网格相比，PINN 求解器的速度也快 18–20 倍，同时保持较小的误差范数。
  • 对于 $Re = 10, 50, 100$ 的流体流动（LDC），PINN 求解器的速度比 FVM 求解器快 5–10 倍，在远少的时空点（例如 2,000 个点对比 10,000 个网格点）下实现了相似或更好的精度。
• 超参数敏感性：研究发现，浅层神经网络（3 层，10–20 个神经元）通常是最优的。将配点数量（$N_r$）增加到超过某个阈值（扩散约为 550，流动约为 2000）后，误差减少的收益递减。该方法在不同的采样策略（LHS、Sobol、Halton）下均表现出鲁棒性。
• 可扩展性：与 FVM 不同（FVM 中细化网格会使计算成本呈二次方增加，若受时间步长限制则呈三次方增加），PINN 求解器的计算时间随配点数量呈近乎线性的增长。

意义与主张
作者声称，他们的工作为 PINN 在时间周期性问题中的实际适用性提供了“全新的视角”。其主要意义在于证明了一种无网格、无数据的 PINN 方法可以完全绕过瞬态阶段，为仅需周期性状态的工程问题提供了一种可行且高效的替代传统时间推进 CFD 求解器的方案。文章强调，当计算资源和时间是关键约束时，这种方法尤为有利。作者谦逊地指出，虽然当前的公式对周期性状态非常有效，但它与旨在处理瞬态演化的时间推进 PINN（如 Runge-Kutta PINN）不同，未来的工作可能会探索将这些方法整合用于多频系统。研究结论认为，所提出的方法论为提高 CFD 计算效率并保持理想精度铺平了道路。