TrajectoryFlowNet：Lagrangian-Eulerian流场与轨迹的学习
流体动力学
2025-11-03 v2
摘要
预测复杂流场中的粒子输运传统上通过求解Navier-Stokes方程实现。虽然存在多种数值和实验方法，但通常需要深厚的物理知识且计算成本高昂。机器学习提供了一种从数据中直接学习预测模式的替代方案，避免了显式的物理建模。然而，纯数据驱动的方法在稀疏数据情境下常缺乏可解释性、物理一致性和泛化性。为此，我们提出TrajectoryFlowNet，一种Lagrangian-Eulerian物理信息神经网络架构，用于通过学习预测时空流场和长程粒子轨迹来实现流场测速和成像。模型的关键特征包括：能够处理带不规则边界的复杂流动模式，预测全域流场，成像任意粒子的长程轨迹，仅依据极少量流轨迹测量即可确保预测的物理一致性。我们通过数值案例（如驱动腔流和复杂圆柱流）以及实验案例（如主动脉和心室血流）进行验证，覆盖多样化的流场场景。结果表明，模型在捕捉复杂粒子载体流动动力学方面有效，能够实现粒子的长程跟踪，准确构建实际应用中的流场。
引用
@article{arxiv.2507.09621,
title = {TrajectoryFlowNet: Lagrangian-Eulerian learning of flow field and trajectories},
author = {Jingdi Wan and Hongping Wang and Bo Liu and Xiaolei Yang and Xiaodong Hu and Shengze Cai and Guowei He and Yang Liu},
journal= {arXiv preprint arXiv:2507.09621},
year = {2025}
}