Cross-Field Interface-Aware Neural Operators for Multiphase Flow Simulation
ZhenZhong Wang, Xin Zhang, Jun Liao, Min Jiang
多相流系统及其复杂的动力学、场次不连续性和跨相相互作用,对传统的数值求解器构成了重大的计算挑战。 虽然神经运算符提供了高效的替代方案,但它们往往难以在这些系统中实现高分辨率的数值精度。 这种限制主要源于固有的空间异质性和多阶段流中高质量训练数据的稀缺性。 在这项工作中,我们提出了接口信息感知神经运算符(IANO),这是一个新颖的框架,在提高预测准确性之前,明确地将接口信息作为物理。 IANO架构引入了两个关键组件:1)接口感知的多个功能编码机制共同模拟多个物理场和接口,从而捕获界面上的高频物理特征。 2)几何感知位置编码机制进一步建立了接口信息、物理变量和空间位置之间的关系,使其能够即使在低数据机制中也能实现点式超分辨率预测。 实验结果表明,IANO在多相流模拟的精度上优于基线∼10%,同时在数据匮乏和噪声扰动条件下保持稳健性。
Multiphase flow systems, with their complex dynamics, field discontinuities, and interphase interactions, pose significant computational challenges for traditional numerical solvers. While neural operators offer efficient alternatives, they often struggle to achieve high-resolution numerical accuracy in these systems. This limitation primarily stems from the inherent spatial heterogeneity and the scarcity of high-quality training data in multiphase flows. In this work, we propose the Interface I...