通过神经算子学习在多尺度气泡生长动力学中桥接尺度并考虑相关波动

气泡生长动力学涉及从气泡形成的微观尺度机械到气泡与周围热力学之间的宏观尺度相互作用的广泛物理现象。传统的气泡动力学模型，包括原子方法和基于连续的模型，将气泡动力学划分为特定尺度的模型。在此，我们发展一种复合神经算子模型，以统一处理跨尺度非线性气泡动力学，通过将众多粒子耗散动力学 (mDPD) 模型与基于连续的 Rayleigh-Plesset (RP) 模型整合，通过一种新型神经网络架构实现。该架构包括用于学习气泡生长平均行为的深度算子网络，以及用于学习微观尺度气泡动力学中相关波动统计特征的长短期记忆网络。通过进行 mDPD 和 RP 模拟生成训练和测试数据，初始气泡半径范围为 0.1 到 1.5 微米。结果表明，训练好的复合神经算子模型能够准确预测跨尺度的气泡动力学，在不同外部压力下对气泡半径时间评估达 99% 的准确率，同时保留微观尺度气泡生长动力学中正确的尺度依赖随机波动。复合神经算子是首个能够捕获微观流体现象中正确随机波动的多尺度气泡生长动力学深度学习代理，为多尺度流体动力学建模的未来研究开辟了新方向。