基于机器学习模型的多孔介质稳态流动预测
流体动力学
2026-03-10 v1 计算工程、金融与科学
机器学习
计算物理
摘要
求解多孔介质中的流动是冷却板拓扑优化的关键步骤，这是现代热管理中的关键组件。传统的计算流体动力学（CFD）方法虽然准确，但对于大型复杂几何结构往往代价高昂。相比之下，数据驱动的代理模型提供了一种计算高效的替代方案，使能够快速可靠地进行预测。本研究开发了一个用于预测由Navier-Stokes-Brinkman方程 governing 的多孔介质稳态流动的机器学习框架。我们实现并比较了三种模型架构——卷积自编码器（AE）、U-Net和傅里叶神经算子（FNO），评估它们的预测性能。为增强物理一致性，我们采用物理感知损失函数。我们的结果表明，FNO优于AE和U-Net，平均平方误差（MSE）可降至0.0017，同时相较于CFD实现了最高可达1000倍的加速。此外，FNO的网格不变性突显了其在拓扑优化任务中的适合性——后者需要可变网格分辨率。该研究凸显了机器学习在多孔介质流动预测中的潜力，为传统数值方法提供了可扩展的替代方案。
引用
@article{arxiv.2603.06762,
title = {Prediction of Steady-State Flow through Porous Media Using Machine Learning Models},
author = {Jinhong Wang and Matei C. Ignuta-Ciuncanu and Ricardo F. Martinez-Botas and Teng Cao},
journal= {arXiv preprint arXiv:2603.06762},
year = {2026}
}