FlowBERT：用于可变流场预测的提示调优 BERT
机器学习
2025-06-11 v1 流体动力学
摘要
本研究提出了一种基于大型语言模型（LLM）知识迁移的通用流场预测框架，解决传统计算流体动力学（CFD）方法的高计算成本以及现有深度学习模型在跨条件传递能力有限的问题。该框架创新性地将 Proper Orthogonal Decomposition（POD）降维与预训练 LLM 的微调策略相结合，其中 POD 促进了流场特征的压缩表示，而微调后的模型学习在状态空间中对系统动力学进行编码。为增强模型适应流场数据的能力，我们特别设计了面向流体动力学的文本模板，通过丰富的上下文语义信息提升预测性能。实验结果表明，我们的框架在 few-shot 学习场景下优于传统 Transformer 模型，在各种入口条件和机翼几何形状上表现出卓越的泛化能力。消融研究揭示了 FlowBERT 架构关键组件的贡献。相较于需要数小时的传统 Navier-Stokes 方程求解器，我们的方法将预测时间缩短至数秒，同时保持 90% 以上的准确度。所发展的知识迁移范式为快速流体动力学预测开辟了新方向，潜在可应用于气动优化、流控等工程领域。
关键词
引用
@article{arxiv.2506.08021,
title = {FlowBERT: Prompt-tuned BERT for variable flow field prediction},
author = {Weihao Zou and Weibing Feng and Pin Wu},
journal= {arXiv preprint arXiv:2506.08021},
year = {2025}
}