FlexPINN：用于 3D 微混合器几何结构的流体动力学和质量传递建模
流体动力学
2026-02-24 v1 计算物理
摘要
本研究使用一种灵活的物理信息神经网络（FlexPINN），该网络在 vanilla PINN 架构上进行了修改，来探讨 3D T 形微混合器内部的流体流动和浓度分布。考虑了三种不同的翼片形状（矩形、椭圆形和三角形），以评估翼片几何对影响，以及在 3D 通道内的四种不同的翼片配置，以检验摆放位置的影响。模拟在四个雷诺数（5、20、40 和 80）下的进行，分别为单单元（四个翼片）和双单元（八个翼片）配置。目标是评估压力系数、混合指数和混合效率。鉴于使用标准 PINN 解决 3D 问题的挑战，引入了若干改进措施。将控制方程以一阶无量纲导数形式注入网络以提高准确性。采用迁移学习以降低计算成本，并应用自适应损失加权以提高收敛性。这些修改使我们能够构建一个在众多测试案例中都能使用的一致且灵活的架构。通过所提出的 FlexPINN 方法，压力系数和混合指数的预测误差分别为 3.25% 和 2.86%。在所有测试案例中，雷诺数为 40 时双单元配置下的矩形翼片配置 C 表现出最高的混合效率，达到 1.63。FlexPINN 框架在复杂 3D 几何结构中模拟流体流动和物质输运方面表现出强大的能力。
引用
@article{arxiv.2504.17896,
title = {FlexPINN: Modeling Fluid Dynamics and Mass Transfer in 3D Micromixer Geometries Using a Flexible Physics-Informed Neural Network},
author = {Meraj Hassanzadeh and Ehsan Ghaderi and Mohamad Ali Bijarchi},
journal= {arXiv preprint arXiv:2504.17896},
year = {2026}
}