Adaptive heat conduction technology based on physics-data collaborative modeling and its engineering simulation

doi:10.6036/11605

Adaptive heat conduction technology based on physics-data collaborative modeling and its engineering simulation

2026-05-01

0

PRE

AI

DOI：10.6036/11605

原文求助

摘要

En 中文

在热管理、高功率电子设备等工程领域，复杂瞬态热传导过程的高效高保真模拟受到传统数值方法高计算成本和低适应性的阻碍。现有方法在传统求解器的高昂成本与标准数据驱动模型的物理不一致性或收敛困难之间面临权衡，本研究通过引入判别器强化的物理合理性机制填补了这一空白，该机制显著优于传统的残差最小化增强方法，并提出了一种新颖的自适应热传导技术，协同整合物理定律与数据驱动方法。通过建立物理约束与对抗优化的协作机制，该方法在无网格和小样本条件下实现了全场热重建。具体而言，通过结合物理信息神经网络（PINNs）的物理约束与生成对抗网络（GANs）的对抗训练，构建了双网络协作优化框架，以实现热传导的高精度求解。首先，全连接神经网络通过自动微分嵌入来自控制方程的物理残差；其次，生成器构建温度场，再由判别器进行优化以增强生成样本的物理合理性。此外，自适应采样策略动态丰富高预测误差区域的训练数据集，从而提升重建热场的保真度。与仅依赖残差最小化的研究不同，我们的对比分析证实该自适应框架实现了更快的收敛和更高的精度，为传统方法计算成本过高的实时工程应用提供了稳健解决方案。该方法的有效性通过芯片瞬态冷却等典型工程模拟得到验证，结果显示物理-数据协同建模框架有效捕捉了底层热传导动力学，得到的温度分布与真实值高度吻合。生成热场的时空演化遵循热方程控制的能量扩散定律，预测误差集中在0.04-0.10范围内，证实了其对复杂场景的高保真建模能力。对抗训练机制显著提升了数值稳定性：生成器和判别器损失从初始值1.41和0.72收敛至1.35和0.64，生成样本的均方误差（MSE）从0.037降至0.004，表明通过动态竞争逐步收敛至真实解。此外，自适应采样策略有效将计算资源聚焦于高误差区域（如热源边界或间断界面附近），使误差分布呈现时序收敛，验证了其在局部特征精修中的有效性。本研究为热传导问题提供了一种高效稳健的解决方案，实现了物理一致性与数据驱动灵活性的和谐统一。

Keyword:

Physics-informed Neural Network

Generative Adversarial Network

Thermal Conduction

Numerical Simulation

Adaptive heat conduction technology based on physics-data collaborative modeling and its engineering simulation

摘要

期刊

机构

引用论文