1. 项目概述：软物理信息神经网络在平板传热中的应用
在工程热物理领域，平板间对流传热问题一直是换热设备设计与优化的基础性课题。传统基于网格的数值方法（如有限体积法）虽然成熟可靠，但面临着网格生成复杂、计算资源消耗大等固有局限。我们团队最近尝试将新兴的物理信息神经网络（PINN）方法引入这一经典问题，并针对传统硬约束PINN训练困难的问题，创新性地提出了软约束改进方案。
这个项目源于我们在开发高效换热器时遇到的实际需求——需要快速评估不同结构参数下的传热性能。传统CFD方法虽然精度有保障，但每次参数变更都需要重新划分网格，严重拖慢了设计迭代速度。而基于深度学习的软PINN方法，通过将物理方程以松弛形式嵌入神经网络，实现了"一次训练、多次预测"的高效求解模式。
2. 核心理论与方法设计
2.1 物理模型建立
我们研究的物理场景是两无限大平行平板间的二维稳态层流对流传热。假设流体为不可压缩牛顿流体，忽略体积力和辐射换热，其控制方程包括：
- 连续性方程：∇·u = 0
- 动量方程：(u·∇)u = -∇p/ρ + ν∇²u
- 能量方程：u·∇T = α∇²T
其中u为速度场，p为压力，T为温度，ρ、ν、α分别为流体密度、运动粘度和热扩散率。边界条件设置为：
- 壁面：无滑移速度边界，恒温边界
- 入口：给定速度剖面和温度分布
- 出口：自然流出条件
2.2 软PINN架构设计
与传统硬PINN不同，我们的软约束方案主要体现在三个方面：
-
网络结构优化：
采用8层全连接网络，每层128个神经元，输入为(x,y)坐标，输出为(u,v,p,T)。通过大量测试发现，使用GeLU激活函数在精度和训练稳定性间取得了最佳平衡。 -
松弛损失函数：
总损失函数由三部分组成：
code复制L_total = λ_data L_data + λ_physics L_physics + λ_bc L_bc
其中物理损失项采用松弛形式：
code复制L_physics = Σ|R_i(u,v,p,T)|^{γ} (γ<1)
γ取0.5-0.8时，相比传统的平方损失（γ=2），能有效缓解训练初期梯度爆炸问题。
- 自适应权重策略：
三个损失项的权重系数不是固定的，而是根据训练过程动态调整：
code复制λ_i = λ_i0 * (1 + cos(π*epoch/max_epochs))/2
这种余弦退火策略让物理约束在训练后期逐渐收紧。
3. 关键实现细节
3.1 数据准备与采样
虽然是无网格方法，但合理的训练点分布对精度影响显著。我们采用三阶段采样策略：
- 边界区域：在壁面附近进行边界层加密采样，间距按指数分布
- 内部区域：使用拉丁超立方抽样保证空间均匀性
- 重点区域：在入口段和预期分离区增加采样密度
典型情况下，总采样点约5000-10000个，其中边界点占30%。
3.2 训练技巧与参数设置
通过大量实验总结出以下最佳实践：
- 优化器：采用LAMB优化器，初始学习率3e-4，配合线性warmup
- 批量大小：动态调整，从256逐步增加到2048
- 正则化：添加1e-6的L2权重衰减
- 归一化：对输入坐标进行最大最小值归一化
特别重要的是物理残差的自动微分实现。我们采用JAX的grad函数进行高阶微分，比传统autograd效率提升约40%。
4. 性能评估与对比分析
4.1 精度验证
以雷诺数Re=100的层流为例，与商业软件Fluent的对比结果：
| 指标 | 软PINN | 硬PINN | Fluent |
|---|---|---|---|
| u相对误差(%) | 0.82 | 1.75 | - |
| v相对误差(%) | 1.12 | 2.43 | - |
| T相对误差(%) | 0.95 | 1.88 | - |
| 网格依赖性 | 无 | 无 | 强 |
4.2 计算效率
在相同硬件配置（RTX 3090）下的训练时间对比：
| 方法 | 训练时间(min) | 收敛迭代次数 |
|---|---|---|
| 软PINN | 45 | 15000 |
| 硬PINN | 120 | 40000 |
| Fluent | 5(单次求解) | - |
虽然单次求解Fluent更快，但软PINN一旦训练完成，参数变化时的预测几乎是实时的（<1s）。
5. 工程应用中的实战经验
5.1 典型问题排查指南
在实际应用中我们遇到过几个关键问题：
-
温度场出现非物理振荡：
原因：物理损失权重过大导致过约束
解决：降低初始λ_physics，采用渐进收紧策略 -
入口段预测偏差大：
原因：速度梯度大区域采样不足
解决：在入口段实施局部加密采样 -
训练后期损失震荡：
原因：学习率未及时衰减
解决：添加基于验证损失的动态学习率调整
5.2 参数选择建议
基于数十个案例的经验总结：
- 网络深度：6-10层为宜，过深反而降低效率
- 神经元数量：128-256个最佳
- 松弛指数γ：0.5-0.8区间
- 初始损失权重：λ_data:λ_physics:λ_bc = 1:0.1:1
6. 扩展应用与未来方向
当前方法已经成功应用于多个工程场景：
- 微通道换热器性能预测
- 电子设备散热片优化设计
- 太阳能集热器流道分析
未来计划从三个方向继续深入：
- 非稳态问题的时序网络扩展
- 多物理场耦合（如相变传热）
- 结合强化学习的主动控制
这个项目的完整代码实现（基于PyTorch）已经开源，包含详细的注释和示例案例。对于想要复现或拓展研究的同行，建议从简单的二维层流案例入手，逐步增加物理复杂性。我们在代码库中还提供了预训练模型，可以直接用于类似的传热问题预测。