利用 OpenFOAM 数据结构进行物理信息深度学习训练的工作流

本研究提出了一种新颖的方法论，利用 OpenFOAM 全面的数据结构将物理信息损失函数集成到深度学习模型中。借助 OpenFOAM 数据结构在处理复杂几何体和边界条件方面的强大且灵活的能力，本文展示了如何构建能够精确嵌入物理约束的详细损失函数，并有可能提升神经网络在处理工业级复杂几何体的计算流体动力学（CFD）模拟中的训练与性能。本工作主要聚焦于 1D Burgers 方程，以展示构建初始损失、边界损失和残差损失的详细过程。虽然此处采用的计算几何相对简单，但该过程具有足够的通用性，足以说明其在更复杂计算域中的适用性。结果表明，经过训练的算子网络（OFormer）神经网络能够成功地根据由 OpenFOAM 数据结构组成的损失来预测模拟结果。该框架有望为利用深度学习应对复杂的工业模拟挑战开辟新途径，有望在 CFD 应用的准确性和实用性方面取得显著进展。