用于鲁棒稳态电热能系统仿真的残差注意力物理信息神经网络
机器学习
2026-03-26 v1 计算物理
摘要
高效热管理和精确场预测是先进能源系统设计的关键任务，包括电动力水动力传输、微流体能源收集器以及电动式热调节器。然而，由于强非线性场耦合、温度相关系数的变动以及复杂的界面动力学，这些电热耦合的多物理场系统的稳态仿真在物理信息神经计算中仍然具有挑战性。本研究提出了一种残差注意力物理信息神经网络(RA-PINN)框架，用于求解耦合速度、压力、电势和温度场的统一解。通过将统一的五场算子表述与残差连接特征传播相结合，并采用注意力引导的通道调制，该架构有效捕获局部耦合结构和梯度突变。我们在四个具有代表性的能源相关基准测试中评估了RA-PINN：恒定系数耦合、间接压力表约束、温度相关传输以及斜率界面一致性。与纯MLP、LSTM-PINN和pLSTM-PINN的比较分析表明，RA-PINN在所有情景下均实现了卓越的精度，得到最低的均方误差(MSE)、均方根误差(RMSE)和相对误差。值得注意的是，在界面主导和可变系数设置中，RA-PINN保持了高水平的结构保真度，而常规PINN骨干网络往往在此类场景下会失败。这些结果确立了RA-PINN作为复杂电热多物理场高保真建模与优化的稳健且准确的计算框架。
引用
@article{arxiv.2603.23578,
title = {Residual Attention Physics-Informed Neural Networks for Robust Multiphysics Simulation of Steady-State Electrothermal Energy Systems},
author = {Yuqing Zhou and Ze Tao and Fujun Liu},
journal= {arXiv preprint arXiv:2603.23578},
year = {2026}
}