[论文回顾] Physics-Informed Neural Networks for Turbulence Modeling

Re变成10倍，粘性残差就剩十分之一。λ一旦抹掉传感器项，表上的1%就不再属于那一次训练。

论文信息

作者: Raissi, M., Perdikaris, P., Karniadakis, G. E.
期刊: Journal of Computational Physics, Vol. 378, pp. 686–707, 2019
DOI: 10.1016/j.jcp.2018.10.045
arXiv: 1711.10561

一句话总结

该论文提出了一种通过将 Navier-Stokes 方程直接嵌入（Physics-Informed）神经网络损失函数的方法，实现仅通过几个压力传感器即可反求整个速度场。

推动 λ_PDE、λ_BC、λ_data 三个滑块，损失面倾向物理残差还是传感器项，会跟着变。

λ_PDE 1.0λ_BC 10λ_data 1.0Re 100

손실 가중치 λ가 너무 작으면 그 항이 안 떨어지고, 너무 크면 다른 항을 짓누른다. Re가 커지면 PDE 항이 stiff 해진다 — PINN의 핵심 난점.

只有数据项变深时，传感器拟合还在，散度为零的条件会松开。只有物理项变深时，方程更近了，压力传感器和速度却分开。

研究背景

传统的 CFD 处于两个极端之间。

传统方法 (k-ε, k-ω SST): 依赖于经验闭合系数。当雷诺数或几何形状发生变化时，需要重新调整系数，泛化能力有限。

纯数据驱动的深度学习: 需要大量的标注数据，且训练好的模型无法保证质量守恒或动量守恒。即使预测结果在物理上完全讲不通，损失函数也无法感知。

PINNs 是弥合这一差距的尝试。即使数据稀疏，物理定律也能起到正则化（regularizer）的作用。

核心方法论

PINN 的总损失函数是两项之和：

$\mathcal{L} = \mathcal{L}_{\text{data}} + \lambda \, \mathcal{L}_{\text{physics}}$

数据损失 $\mathcal{L}_{\text{data}}$ 是观测值（例如压力传感器）与神经网络预测值之间的差异。

物理损失 $\mathcal{L}_{\text{physics}}$ 是不可压缩 Navier-Stokes 方程的残差（residual）：

$\mathcal{L}_{\text{physics}} = \left\| \frac{\partial \mathbf{u}}{\partial t} + (\mathbf{u} \cdot \nabla)\mathbf{u} + \nabla p - \frac{1}{Re}\nabla^2\mathbf{u} \right\|^2 + \left\| \nabla \cdot \mathbf{u} \right\|^2$

第二项是连续性方程（质量守恒）。由于神经网络被训练为使该残差趋于 0，因此预测值始终近似满足 N-S 方程。

导数是通过 PyTorch/TensorFlow 的自动微分 (automatic differentiation) 计算的，不需要额外的数值离散化。

$\frac{1}{Re}$ 变小以后时间积分怎么变硬，格子那一侧写在低马赫数下不把声音杀掉的渐近保持格式。这边同一份刚性，是用损失权重接下来的。

主要结果

案例	条件	结果
2D 圆柱绕流	Re=100, 仅使用压力传感器	速度场重构误差在1%以内, 准确复原涡旋频率
顶盖驱动流 (Lid-driven cavity)	Re=1000	速度剖面与 DNS 结果的一致性在 1% 以内
雷诺数反演	仅通过速度数据	成功将 Re 值本身识别为学习参数

特别是反问题 (inverse problem) 的解决能力令人印象深刻。可以从流场中反推雷诺数，或者仅凭速度数据复原隐藏的压力场。这些问题在传统方法中是不可能或极难实现的。

把表上的两个 Re 按粘性项拆开。圆柱是 Re=100，顶盖驱动是 Re=1000，差 10 倍。动量残差里的粘性一块是 $\frac{1}{Re}$ 。速度尺度靠近 1 时，对流 $(\mathbf{u} \cdot \nabla)\mathbf{u}$ 大小不动，粘性只剩十分之一。连续残差 $\left\| \nabla \cdot \mathbf{u} \right\|^2$ 里没有 Re。若 λ 是数据项和物理项的天平，要在 Re=1000 把粘性一块留在传感器旁边，λ 就得比 Re=100 时更撑得住。

圆柱只用压力传感器，速度场误差在 1% 以内，涡频率也复原了。顶盖驱动和 DNS 的差别在 1% 以内。两个数字都坐在 1% 这个位置。这个位置是 $\mathcal{L}_{\text{data}}$ 和 $\lambda \, \mathcal{L}_{\text{physics}}$ 互不抹掉的时候。把 λ 加大到传感器项被埋住，几个压力点就不再把速度绑在 1%。把 λ 减小，拟合还在，散度为零的条件会松开。表记下的是天平成立的一个点，不是说 λ 随便搬，1% 还在。

Re 反演只给速度，把 Re 本身当成学习参数。粘性项的系数就是未知数。 $\frac{1}{Re}$ 错了，残差里的粘性一块整个换一个大小，数据项为了贴住速度，可以把这个错误藏进压力梯度。λ 小，这种藏法就便宜。表上的识别成功，是 λ 把这种藏法变得很贵的那一次。

实际应用可能性

何时有用：

实验测量数据稀疏的情况（仅有少数传感器）
反问题：需要从测量值反求物理属性（粘度、Re）时
基于物理的数据插值：利用物理定律填充实验数据的空白区域

能立即替代 OpenFOAM/Fluent 吗？

目前还不行。训练时间比 FVM 求解器慢数十到数百倍。一个简单的槽道流在 GPU 上可能需要数小时。目前不适合实时工程分析。

但是，与 OpenFOAM 混合使用的研究非常活跃。即通过 FVM 求得粗略解，再利用 PINN 进行精细校正。

# 使用 PyTorch 实现的物理损失计算示例
def physics_loss(model, x, t, Re):
    x.requires_grad_(True)
    t.requires_grad_(True)
 
    output = model(x, t)
    u, v, p = output[:, 0], output[:, 1], output[:, 2]
 
    # 通过自动微分计算偏导数
    u_t = torch.autograd.grad(u.sum(), t, create_graph=True)[0]
    u_x = torch.autograd.grad(u.sum(), x, create_graph=True)[0][:, 0]
    u_y = torch.autograd.grad(u.sum(), x, create_graph=True)[0][:, 1]
    p_x = torch.autograd.grad(p.sum(), x, create_graph=True)[0][:, 0]
 
    # x 方向动量方程残差
    residual_u = u_t + u * u_x + v * u_y + p_x - (1/Re) * (u_x + u_y)
 
    return (residual_u**2).mean()

把 λ 调大、把传感器项抹掉的地方

三维高 Re 里，残差的高频不容易留在网络中。边界层一薄，训练就晃，标准 PINN 不把晃动的幅度交回来。把区域切开，或者从 FVM 的解出发，是下一步的选择，不是把 λ 再拧一下就能补上的。

时间步长加大以后收益会断，这和损失权重是同一类账单。把 Δt 放大 5 倍只快了 1.9 倍、放大 10 倍就停在原地的那扇窗就是这条曲线。λ 也一样，过了某个值，它只是在抹传感器项。