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

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。

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。

主要结果#

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。

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()

局限性及未来研究#

目前的局限性：

• 难以扩展到 3D 高 Re 湍流。神经网络在表达高频分量（小涡）方面存在限制。
• 在 Stiff PDE（Re 极大或边界层极薄的情况）中训练变得不稳定。
• 标准 PINN 不提供不确定性量化 (UQ)。无法得知预测结果的可靠程度。

未来方向：

• XPINNs (Extended PINNs): 划分区域进行并行学习 → 具备大规模问题扩展性
• OpenFOAM 混合求解器: FVM + PINN 结合
• 迁移学习 (Transfer learning): 将在某一 Re 下训练的模型快速适配到其他 Re

“

一句话点评: "定义了 CFD 与深度学习交点的论文。虽然目前无法替代 OpenFOAM，但在反问题和稀疏数据重构方面已经具有实用价值。"

调节 λ_PDE / λ_BC / λ_data，立刻看到 PINN 损失权衡的脆弱性。