南京理工大学何勇教授团队：数物驱动热流场数智仿真理论与算法

发布日期：2025-09-11 22:06点击次数：90

在现代工业与工程应用中，高效且准确地计算传热与流体流动现象，已成为多领域技术突破的关键需求。以航空航天、能源工程、智能建造等国家高精尖科学领域的研究为例，传热与流动的精准模拟与高效预测对于相关设备的设计优化、资源的高效利用，以及安全性评估具有重要意义。在这些领域，复杂物理场景的数学建模和大规模计算中高计算成本与时间消耗的平衡是长久存在的挑战，有必要为传热流动分析提供更加高效的仿真计算方法和技术。针对这一需求，面向计算传热与流体力学的深度学习与神经网络技术成为流场降阶分析、流动特征识别及快速预测的新型工具。凭借深度学习神经网络的高效数据处理能力与大规模非线性问题求解优势，其能够在复杂多变的工况下实现快速、准确的建模预测，为高精度和高实时性要求的工程问题提供了崭新的解决方案。

数物驱动热流场数智仿真理论与算法

何勇等著

北京 : 科学出版社, 2025. 5

ISBN 978-7-03-080357-3

《》总结了作者和科研团队近年来利用深度学习和大数据理论开展传热流动预测研究的成果。本书针对基于数值仿真的传热流动系统设计优化过程中的计算资源要求高和计算时间长的挑战，以深度学习技术为手段，构建超快速高精度传热流动系统性能评估降阶模型。提出具有几何自适应的传热流动降阶预测模型，实现任意几何形状的稳态物理场的快速预测，应用于传热流动系统的布局设计及优化。并通过融合迁移学习和注意力机制对降阶模型的学习和预测性能进行了增强。针对传统卷积神经网络难以处理非均匀结构化或非结构化网格数据的问题，构建基于图神经网络的网格自适应降阶模型，并通过有效融入物理信息，赋予降阶模型对传热流动机理的物理层面理解。结合循环神经网络和图卷积神经网络，实现传热流动系统的瞬态流动预测。

第1 章主要概述传热流动高效预测的相关现状与挑战，包括传统流场降阶与基于智能算法降阶的预测模型研究进展，从数据驱动和物理驱动两个方面阐述了降阶预测模型的研究进展并分析了现有工作中的不足，介绍了深度学习算法在流场稀疏重构中的研究进展。第2 章主要介绍本书涉及的基础理论，包括基于数值计算模型的流场模拟方法和控制方程的计算原理。这些基础理论从本质上为后续工作中的模型搭建和结果分析提供了有力支撑。

第3 章提出一种基于卷积神经网络的特征自适应传热流动预测模型，介绍了深度学习模型在稳态、瞬态传热流动问题上的构建方法，以及自适应预测多种雷诺数、攻角、几何形状等工况变化的训练方法，详细介绍了深度学习技术在这类问题上的算法框架和数据集构建的方法。

▲CNN-DCNN模型预测不同攻角下的机翼绕流场，并与数值计算结果进行对比

第4 章提出一种基于迁移学习方法的传热流动预测模型增强技术，介绍了基于卷积神经网络传热流动预测的迁移学习策略、基于迁移学习策略的数据处理流程以及相应传热流动预测模型的构建流程。第5 章提出一种利用自注意力网络(Transformer)架构强化卷积神经网络的方法，介绍了Transformer 模型的基本概念和不同种类的工作原理、混合自注意力机制嵌入卷积神经网络的基本理念，以及基于UNet神经网络的Transformer 传热流动预测模型构建流程。第6 章提出一种基于图卷积神经网络的网格自适应传热流动预测模型，介绍了从网格角度自适应几何构型变化的方法、原始离散数据集的节点位置与特征映射至图结构数据的预处理方法、图卷积神经网络传热流动预测模型的构建流程，并对比分析了图卷积模型和传统卷积神经网络模型在传热流动问题上的预测准确性。

▲基于图神经网络构建降阶模型的总体框架

第7 章提出一种融合控制方程的物理神经网络传热流动预测方法，主要针对纯数据驱动模型在学习传热流动数据中缺乏物理约束、模型可解释性差的问题，搭建基于图卷积结构的物理神经网络降阶模型，用于几何自适应的流场预测。第8 章提出一种循环神经网络的瞬态流动预测方法，介绍了循环神经网络工作原理、门控循环单元网络工作原理。针对非欧几里得结构下的瞬态传热流动问题，介绍了联合循环神经网络和图卷积神经网络的传热流动预测模型结构搭建与建模机理。

第3～8 章都有基于相关预测模型开展传热流动典型案例的验证分析。

本书采用多种先进深度学习技术，通过降阶建模实现传热流动预测，在确保性能评估精度的同时，大幅缩短评估时间，满足工业生产中传热流动系统的高效设计优化需求。在介绍深度学习和传热流动理论知识的基础上，本书运用多种深度学习技术进行传热流动力学问题的降阶建模，并通过太阳能集热器、环形换热管、圆柱绕流等多种案例对模型的适用性和性能进行了评估。这些研究成果为传热流动系统的快速优化设计提供了重要支撑，具有重要的工程意义。