基于Lattice-Boltzmann驱动的物理信息神经网络用于粘性表面滴液
计算工程、金融与科学
2026-04-21 v2
摘要
我们提出一种基于Lattice-Boltzmann驱动的动力学物理信息神经网络（K-PINN），用于结构化表面的滴液动力学预测建模，其中将离散BGK方程纳入学习框架。与受宏观连续方程限制的传统PINN不同，K-PINN框架建立在微观动力学层面，关键在于保留了基本的Lattice-Boltzmann物理学。K-PINN已成功用于建模诸如接触钉扎、各向异性扩散和毛细 hysteresis等非平凡滴液现象，这些现象在从随机粗糙度到周期性柱结构的不同形貌基底上均可实现。此外，K-PINN框架确保严格的物理一致性，如质量守恒误差在1.5%以内。Furthermore, K-PINN基于U-Net的编码器-解码器结构，相对于传统神经网络实现了50-75%的误差降低，实现了与高分辨率Lattice-Boltzmann模拟几乎完美的一致性， ~ 0.021-0.026, ~ 0.999。通过课程学习和自适应双相优化，确保K-PINN对多样化表面形貌具有稳健收敛。收敛后，K-PINN能够以每秒超过次的实时预测能力。通过动力学理论与物理信息学习的结合，本工作确立了一种用于复杂表面上多相流快速、物理一致建模的新范式。
引用
@article{arxiv.2604.03481,
title = {Lattice-Boltzmann-Driven Physics-Informed Neural Networks for Droplet Wettability on Rough Surfaces},
author = {Ganesh Sahadeo Meshram and Partha Pratim Chakrabarti and Suman Chakraborty},
journal= {arXiv preprint arXiv:2604.03481},
year = {2026}
}
备注
41 pages, 16 figures