学术研究报告：应用双分支物理信息神经网络（DB-PINN）模型预测不同弗劳德数下的水跃流场
本报告旨在向科研同行介绍一项在流体力学湍流模拟领域取得重要进展的最新研究。该项研究提出了一种名为“双分支物理信息神经网络”（Double-Branched Physics-Informed Neural Network， DB-PINN）的混合模型，并将其成功应用于预测水跃（Hydraulic Jump）这一复杂湍流现象的流场结构与能量耗散率。
本研究的工作流程系统性较强，主要分为数据准备、模型构建、模型训练与验证、结果分析四个核心步骤。
1. 高保真度数据集构建 * 研究对象：本研究选取平底水跃作为研究对象。具体建立了25组不同工况的数据集，这些工况由不同的上游弗劳德数（Fr1，范围从3.56至8.19）和不同的进口水深（y1，范围从0.015 m至0.025 m）组合而成。这些参数范围确保了研究覆盖从适度到强烈的多种水跃强度，具有工程代表性。 * 数据处理与生成方法：研究采用有限体积法（FVM） 进行数值模拟，建立高保真度的基准数据。计算域为二维平面，长1.5米，高0.5米。通过求解相关的流体控制方程（文中引用文献[24]），生成每一组工况下流场的详细信息，包括速度分量（u， v）、压力等。所有模拟数据构成了训练和验证DB-PINN模型的“真实”参考。
2. 双分支物理信息神经网络（DB-PINN）模型设计 DB-PINN是本研究提出的核心创新方法，其架构包含两个主要分支： * 主干网络（Backbone Network， 数据驱动分支）： * 结构与功能：该分支基于卷积神经网络（CNN） ，负责从输入的高维空间结构化数据中提取特征。输入数据是一个32×5的矩阵，包含坐标点（x， y）、弗劳德数、上游水深和流体体积分数等信息。 * 数据处理流程：输入数据首先通过全连接层映射至高维特征（32×128）。随后经过两个卷积层（核尺寸3×1）和池化层（池化尺寸2×2）以提取局部特征，特征图维度分别为32×64×128和32×128×64。之后使用展平层将特征转换为一维向量（32×4096），再通过两个全连接层映射至输出（32×2），最终得到预测的二维速度场（u, v）。 * 目的：该分支的核心任务是“学习”数值模拟数据中呈现的复杂非线性关系，实现高精度的数据拟合。 * 分支网络（Branch Network， 物理约束分支）： * 结构与功能：该分支基于深度神经网络（DNN） ，也称为全连接网络（FCN）。其输入仅为空间坐标点（x， y）。 * 物理约束机制：网络首先从坐标点中提取特征并编码为潜在解变量。然后，利用自动微分技术，计算模型输出（预测的速度场）关于空间坐标的一阶和二阶导数。这些导数被代入纳维-斯托克斯方程（Navier-Stokes Equations），计算物理残差。该分支通过损失函数强制这些残差趋近于零，从而确保模型预测的流场严格满足流体运动的物理守恒定律（动量方程）。研究创新性地采用流函数自动满足连续性方程，并解耦能量方程，从而在PINN框架中仅需对动量方程施加约束，简化了问题。 * 模型训练与集成： * 损失函数：模型的总损失函数由两部分加权构成：数据驱动损失（Data Loss， L_data）和物理约束损失（PDE Loss， L_pde）。总损失 = L_data + λ_pde × L_pde。其中λ_pde是一个超参数，用于动态平衡数据拟合和物理一致性。 * 训练策略：研究采用了小批量算法，显著降低了对GPU内存的依赖，使模型能够处理大规模数据集。训练参数设置包括：学习率5×10⁻⁴，最大训练轮数2000，使用Adam优化器。物理约束损失评估点（1000个）通过拉丁超立方抽样在计算域内均匀生成。 * 边界条件处理：本研究采用了隐式边界条件处理方式。由于用于训练的数值模拟数据本身就包含边界信息，模型通过最小化数据驱动损失即可自主“学习”边界约束，无需设计显式的边界损失项，从而简化了模型设计并提高了对复杂边界的适应性。
3. 实验与验证流程 * 验证对象：模型在25组不同工况的数据集上进行训练和测试，评估其预测能力。 * 实验与分析方法： 1. 流线图与速度场分析：对比DB-PINN预测的流线图、速度矢量图与FVM数值模拟的“真实”结果，并计算绝对速度误差图。通过可视化对比，定性评估模型捕捉水跃区域（主流扩散、回流区、涡结构）的能力。 2. 泛化能力测试：模型在未见过的工况（如上游水深h1=0.019m， 0.021m， 对应不同Fr）上进行预测，生成流线图和速度矢量图，并与相应条件下的模拟结果对比。这用于验证模型在新参数条件下的适应性和鲁棒性。 3. 定量误差评估：计算预测速度场与模拟速度场之间的多项误差指标，包括平均绝对误差（MAE）、均方误差（MSE）、均方根误差（RMSE）以及决定系数（R²）。这些指标用于定量衡量模型的预测精度。 4. 能量耗散率计算与分析：基于模型预测的下游水深，计算实际能量耗散率。将其与根据经典水跃公式计算的理论能量耗散率、以及基于FVM模拟结果计算的数值能量耗散率进行对比，分析差异原因，验证模型在工程关键参数（能量耗散）预测上的有效性。
1. 流场预测结果与分析： * 流线图与速度矢量图对比：研究给出了在固定上游水深（h1=0.015 m）、不同弗劳德数（Fr=3.56， 5.36， 6.2， 8.19）条件下的对比结果。DB-PINN模型预测的流线图与数值模拟结果高度一致。模型成功捕捉到水跃的核心特征： * 主流扩散：水流在床底附近加速，经过水跃后向整个断面扩散，流速显著降低并趋于均匀。 * 回流区与涡结构：模型清晰地预测出了下游床面区域典型的封闭涡旋结构（回流区），这是水流能量剧烈转换和动能传递不均的结果。 * 流速分布演变：通过横向剖面速度矢量图显示，水跃区域底部流速高，向上游逐渐减小。在“翻滚器”位置存在反向流速，指示了回流的产生。随着向下游发展（如从x=0.4 m到x=1.2 m），速度分布趋于均匀，标志着水跃结束。 * 定量误差：对于代表性工况（如S1-S4），x方向速度分量的R²值普遍高于0.997，y方向速度分量的R²值在0.83至0.93之间。MAE和RMSE值也处于较低水平（例如，S1工况x方向速度的MAE为0.0076， RMSE为0.0116）。这表明模型不仅在流场形态上，在数值精度上也具有很高的预测能力。
2. 泛化能力分析结果： * 在未参与训练的工况（如h1=0.019m， Fr=4.82， 5.36； h1=0.021m， Fr=6.67）上，DB-PINN模型依然能够有效预测关键流动特征，如流场形态和跃后长度。 * 对应的误差指标虽然略高于在训练工况上的表现（如T1工况x方向速度R²为0.891），但仍在可接受的工程精度范围内。这一结果表明，DB-PINN模型结合物理约束的特性，赋予了其超越纯数据驱动模型的、对于不同初始和边界条件的良好泛化能力。
3. 能量耗散率预测结果： * 关系与趋势：研究发现，在研究的参数范围（3.56 < Fr < 8.19， 0.015 < h1 < 0.025）内，水跃区域的能量耗散率约为3%至30%，且能量耗散率随弗劳德数的增大而显著增加。这意味着流入动能越大，水跃过程中产生的湍流和能量耗散越强。 * 对比与讨论：模型预测的能量耗散率、数值模拟的能量耗散率与理论公式计算值之间存在差异。论文指出，现有理论公式未考虑跃后大尺度湍流动能，因此在低弗劳德数和高淹没度条件下，直接使用理论公式会高估耗散率。DB-PINN模型因为基于模拟数据进行学习，能够捕捉到更接近真实物理过程的耗散特性。
4. 结果的内在逻辑与支撑作用： 流场预测的高精度（第一部分结果）是模型有效性的直接证明，为后续的泛化能力测试（第二部分结果）提供了可信基础。模型在泛化工况上依然能保持良好的预测性能，结合其对流场物理结构（如回流涡）的准确捕捉，共同验证了其物理一致性。最终，基于准确流场预测计算出的能量耗散率（第三部分结果）及其与Fr、h1的关系，不仅验证了模型在关键工程参数预测上的实用性，也通过与传统理论公式的对比，揭示了经典理论在特定条件下的局限性，凸显了数据与物理融合模型在深化物理认知方面的价值。
本研究成功开发并验证了双分支物理信息神经网络（DB-PINN）模型，用于高效、高精度地预测不同弗劳德数下的水跃流场和能量耗散率。 * 科学价值：该研究为湍流和多相流等复杂流体动力学问题的模拟提供了一个新颖的、将物理规律与数据驱动方法深度融合的解决方案。DB-PINN架构本身是一个理论贡献，它通过双分支设计巧妙地分离了特征学习与物理约束施加，并通过小批量训练、隐式边界处理等技术优化，提升了PINN在处理高维、复杂湍流问题时的性能、效率和稳定性。 * 应用价值：在水力学工程领域，该模型可以作为一个强大的计算工具，显著降低对传统大规模实验和高精度数值模拟（如高分辨率CFD）的依赖。它能够快速预测不同设计方案下的水跃特性和消能效果，为泄洪消能结构的优化设计、下游冲刷防护等提供高效、可靠的分析手段，具有重要的工程应用前景。