Bubble2Heat：利用物理编码的生成式 AI 进行池沸腾中的光学到热学推断
机器学习
2026-02-03 v2 应用物理
摘要
相变过程在热管理系统中起着关键作用，然而，对多相流传热的定量表征仍然受到在混沌、快速演变的流态中测量温度场所面临挑战的限制。虽然计算方法在理想情况下能提供高时空分辨率的温度数据，但复现复杂的实验条件仍然极其困难。在本文中，我们提出了一种深度学习框架，该框架能够从典型池沸腾实验配置中通常可获得的分割后的高速记录和点式热电偶读数中，生成具有模拟分辨率的温度场数据，而无需使用先进技术。该框架利用了一个仅在模拟数据上训练的条件生成对抗网络。为确保模型对实验数据的直接适用性，我们的框架还引入了一个预处理流程，通过传统的图像处理和使用预训练卷积神经网络进行图像分割，将高分辨率模拟数据与实验测量结果对齐。我们进一步表明，在精确的物理约束不适用时，标准的数据增强策略能有效增强推断的物理合理性。我们的结果凸显了深度生成模型在弥合可观测多相现象与底层热传输之间差距的潜力，为增强和解释复杂两相系统中的实验测量提供了一种强大的方法。
引用
@article{arxiv.2505.00823,
title = {Bubble2Heat: Optical to Thermal Inference in Pool Boiling Using Physics-encoded Generative AI},
author = {Qianxi Fu and Youngjoon Suh and Xiaojing Zhang and Sanghyeon Chang and Yoonjin Won},
journal= {arXiv preprint arXiv:2505.00823},
year = {2026}
}
备注
25 pages, 6 figures, supplemental information