基于物理感知DeepU-Fourier神经网络的矩形柱壁压力时空预测
流体动力学
2025-12-09 v2 人工智能
计算工程、金融与科学
摘要
壁压对于理解流体所产生的力量和结构响应至关重要。近期的研究探索了深度学习技术在预测平均压力系数和润动压力系数方面的潜力，但大多数现有深度学习框架仅限于使用完整空间信息预测单个快照。为预测流过矩形柱的壁压时空信息，本研究构建了基于物理感知的DeepU-Fourier神经网络（DeepUFNet）深度学习模型。DeepUFNet由UNet结构和傅里叶神经网络组成，嵌入物理高频损失控制于模型训练阶段以优化模型性能。进行风洞测试以收集二维矩形柱的壁压数据，构建了DeepUFNet的训练和测试数据库。结果表明，DeepUFNet能够在侧宽比为1.5的矩形柱上高精度预测壁压时空信息。与实验数据比较显示，预测结果在统计信息和物理解释方面均表现良好。还发现，在DeepUFNet模型中嵌入物理高频损失控制系数b可显著提升模型在预测壁压时空信息方面的性能，尤其是高阶频率润动和壁压方差。此外，测试了DeepUFNet在稀疏空间信息输入下的外推能力，模型表现出令人满意的外推能力。最后，对侧宽比为4和3.75的未知情况进行了模型的泛化测试，结果表明模型具有令人满意的泛化能力。
引用
@article{arxiv.2508.03183,
title = {Spatiotemporal wall pressure forecast of a rectangular cylinder with physics-aware DeepU-Fourier neural network},
author = {Junle Liu and Chang Liu and Yanyu Ke and Wenliang Chen and Kihing Shum and Tim K. T. Tse and Gang Hu},
journal= {arXiv preprint arXiv:2508.03183},
year = {2025}
}