用于高效建模火灾辐射传递的嵌套傅里叶增强神经算子
流体动力学
2026-04-16 v1 机器学习
计算物理
摘要
计算流体动力学 (CFD) 已成为预测火灾行为的 essential 工具，但在保持效率和准确性方面仍具有挑战。火灾模拟中辐射传递的计算成本是主要来源，而这通常是火灾中占主导地位的热传递机制。使用传统数值方法求解高维辐射传递方程 (RTE) 常常是性能瓶颈。本文提出了一种基于傅里叶增强多输入神经算子 (Fourier-MIONet) 的机器学习框架，用作直接数值积分 RTE 的高效替代方案。我们首先研究了神经算子架构在小规模 2D 池火中的性能，发现 Fourier-MIONet 提供了最准确的辐射解预测。随后将方法扩展到 3D CFD 火灾模拟中，在这些高分辨率设置下，针对直接场到场映射的单体代理模型难以训练且计算效率低下的问题，提出了嵌套 Fourier-MIONet 用于预测跨多个网格细化水平的辐射解。我们在使用 FireFOAM 模拟的 3D McCaffrey 池火上进行了验证，包括固定火源大小以及在连续 HRR 范围内训练的统一模型。该方法在 3D 可变 HRR 场景下实现 2-4% 的全局相对误差，同时比 16 固体角度情况下的 FireFOAM 中一次有限体积辐射求解的估计成本更快。凭借快速而准确的推断，该代理方法使更高保真度的辐射处理变得实用，并使将更高光谱分辨率的辐射模型纳入 CFD 火灾模拟中成为可能，从而服务于工程应用。
关键词
引用
@article{arxiv.2604.13919,
title = {Nested Fourier-enhanced neural operator for efficient modeling of radiation transfer in fires},
author = {Anran Jiao and Wengyao Jiang and Xiaoyi Lu and Yi Wang and Lu Lu},
journal= {arXiv preprint arXiv:2604.13919},
year = {2026}
}