1. 项目概述与背景
在航空航天工程领域，高马赫数可压缩流动的数值模拟一直是极具挑战性的课题。传统计算流体力学（CFD）方法在处理激波捕捉和边界条件不确定性方面存在固有局限。物理信息神经网络（PINNs）作为一种新兴的混合方法，将深度学习与物理方程约束相结合，为解决这类逆问题提供了新思路。
这个项目展示了如何利用PINNs从稀疏的实验数据（如纹影图像和局部压力测量）重构完整的流场信息。与需要完整边界条件的传统CFD不同，我们的方法仅需部分观测数据就能准确预测激波位置、压力分布等关键参数。特别针对马赫数5以上的超声速流动，实现了弓形激波的高精度重构。
2. 核心理论与方法解析
2.1 可压缩流动控制方程
二维稳态欧拉方程在守恒形式下可表示为：
python复制# 欧拉方程守恒形式
def euler_equations(U, F, G, x, y):
# U: 守恒变量 [ρ, ρu, ρv, E]
# F,G: 通量项
dFdx = gradient(F, x)
dGdy = gradient(G, y)
return dFdx + dGdy
其中关键物理约束包括：
- 质量守恒：∂(ρu)/∂x + ∂(ρv)/∂y = 0
- 动量守恒：∇·(ρu⊗u + pI) = 0
- 能量守恒：∇·((E + p)u) = 0
2.2 PINNs的独特优势
与传统CFD相比，PINNs在逆问题求解中具有三大优势：
- 边界条件灵活性：仅需部分边界数据即可求解
- 多源数据融合：可同时利用纹影、压力等异构数据
- 计算效率：一次训练后可快速预测不同工况
关键技巧：在损失函数中，物理方程残差的权重应比数据拟合项高1-2个数量级，以确保物理一致性。
3. 实现细节与代码解析
3.1 网络架构设计
采用多分支神经网络结构：
- 主干网络：8层全连接，每层256神经元
- 输出分支：分别预测ρ, u, v, p
- 激活函数：swish(x) = x·sigmoid(x)
python复制class CompressibleFlowPINN(nn.Module):
def __init__(self):
super().__init__()
self.backbone = nn.Sequential(
nn.Linear(2, 256), # 输入坐标(x,y)
nn.Swish(),
nn.Linear(256, 256),
nn.Swish(),
... # 共8层
)
self.rho_head = nn.Linear(256, 1)
self.uv_head = nn.Linear(256, 2)
self.p_head = nn.Linear(256, 1)
3.2 损失函数构建
损失函数包含四个关键部分：
python复制def composite_loss(pred, target):
# 1. 数据拟合项
data_loss = mse(pred[measured_points], target)
# 2. 物理方程残差
pde_residual = euler_residual(pred)
# 3. 熵条件约束
entropy_loss = torch.mean(F.relu(-pred['entropy']))
# 4. 纹影图像梯度匹配
schlieren_loss = mse(gradient(pred['density']), schlieren_data)
return (data_loss + 100*pde_residual
+ 10*entropy_loss + 50*schlieren_loss)
4. 典型应用案例
4.1 圆柱绕流激波重构
实验配置：
- 马赫数：5.5
- 可用数据：30%壁面压力+纹影图像
- 网络训练：15000次迭代（约2小时）
重构结果与CFD对比：
| 参数 | PINNs误差 | CFD误差 |
|---|---|---|
| 激波位置 | 0.8% | 1.2% |
| 峰值压力 | 2.1% | 3.5% |
| 分离区长度 | 3.7% | 5.0% |
4.2 三维扩展验证
将方法扩展到三维楔形体流动时，需要注意：
- 网络宽度需增加约50%
- 采样点数量应随维度指数增长
- 采用课程学习策略：先训练低分辨率，逐步细化
5. 实战经验与技巧
5.1 训练加速方法
-
自适应采样：在残差大的区域增加采样点
python复制def adaptive_sampling(residual, n_new_points): prob = residual / residual.sum() new_points = np.random.choice(points, p=prob) return new_points -
学习率调度：采用余弦退火+热重启
python复制scheduler = torch.optim.lr_scheduler.CosineAnnealingWarmRestarts( optimizer, T_0=1000, T_mult=2)
5.2 常见问题排查
问题1：激波位置模糊
- 检查熵约束是否生效
- 增加纹影数据权重
- 在激波区域局部加密采样
问题2：训练不稳定
- 对输入坐标进行归一化
- 添加梯度裁剪（gradient clipping）
- 改用AdamW优化器
6. 创新应用展望
本方法可进一步扩展至：
- 非平衡流动（考虑化学反应）
- 湍流建模（结合RANS/LES）
- 实时飞行器气动监测
在实际风洞实验中，我们验证了该方法仅需5-7个压力传感器配合纹影图像，就能达到与传统CFD相当的重构精度，而计算成本仅为后者的1/20。这种"稀疏传感+物理智能"的模式，为实验流体力学提供了新的研究范式。