Cova-PINN：用于复杂几何结构中流固共轭传热的跨域守恒物理信息神经网络
Cova-PINN: Cross-Domain Conservation Physics-Informed Neural Network for Fluid-Solid Conjugate Heat Transfer in Complex Geometries
精选理由
提出跨域守恒约束的 PINN，提升复杂换热器出口温度、能量平衡与热负荷预测精度。
AI 摘要
arXiv:2610.11108v1 公告类型：新投稿 摘要：多域物理信息神经网络（PINNs）能够灵活地构建针对不同介质的表征，以求解流固共轭传热（CHT）问题。然而，标准多域 PINNs 在各域分别采样的支撑点集上施加控制方程和界面条件约束，这可能产生看似合理的温度场，却导致端到端能量传递和出口温度不准确。我们提出 Cova-PINN，这是一种多域 PINN 框架，可使守恒约束的支撑与复杂几何结构中的热相互作用路径相匹配。Cova-PINN 联合优化局部尺度上的跨域复合控制体平衡与换热器全局尺度上的配对壁面闭合。我们采用统一方案，在四种三重周期极小曲面（TPMS）换热器和一种几何结构不同的 DualMS 设计上，将 Cova-PINN 与针对 CHT、面向优化以及适用于复杂几何结构的 PINN 基线方法进行比较评估。相较于最接近的基线 MUSA-PINN-CHT，Cova-PINN 在四种 TPMS 拓扑结构上的平均出口温度误差和设备级闭合误差分别降低了 $37.7\%$ 和 $60.2\%$，同时还提高了全场预测和换热量的准确性，并在 DualMS 上取得了一致的改进。