一种物理信息驱动的子域本征正交分解框架用于燃气锅炉多物理场快速高精度重构

《Energy》：A physics-informed subdomain proper orthogonal decomposition framework for rapid and accurate multiphysics field reconstruction in gas-fired boilers

　　

研究人员提出了一种物理信息驱动的子域本征正交分解(Proper Orthogonal Decomposition, POD)框架，用于工业燃气锅炉中三维多物理场（包括温度、速度、组分浓度及污染物生成）的快速高精度重构。由于现场测量通常稀疏，而高保真计算流体动力学(Computational Fluid Dynamics, CFD)模拟计算代价高昂，该方法通过结合代理建模与降维技术，实现了秒级完成场重构。研究人员首先采用代理建模策略将操作参数映射至POD系数，系统评估了六种代理模型：人工神经插值、高斯过程回归(Gaussian Process Regression, GPR)、多项式回归(Polynomial Regression, PR)、径向基函数插值(Radial Basis Function interpolation, RBF)、随机森林(Random Forest, RF)与支持向量回归(Support Vector Regression, SVR)，最终选用RF因其预测精度与鲁棒性最优。其次，降阶模型方法将POD降维与代理模型结合，显著缩短计算时间。第三，物理信息驱动的子域划分依据湍流强度分布，并根据局部能量阈值自适应确定最优POD模态数。在燃气锅炉案例验证中，该框架重构精度优于全局与均匀分区方法，为工程应用提供了兼顾效率与精度的解决方案。

该研究发表于《Energy》，针对工业能源系统中三维多物理场监测需求，聚焦燃气锅炉内温度、速度、氧气及NO_x分布的快速准确重构。现有实验测量受传感器布置与高温环境影响，数据稀疏且不全面；高保真CFD模拟虽精细但计算昂贵，难以实时应用；传统全局POD降阶模型对强湍流、回流及梯度变化剧烈区域敏感性不足。为此，研究人员提出了一种物理信息驱动的子域POD框架，将流动物理特性融入分区与模态截断，实现高效且精准的多物理场重构。

关键技术方法方面，研究人员构建了高保真CFD数据库作为训练集，采用本征正交分解提取空间模态，并通过六种代理模型的系统比较选择随机森林进行参数到模态系数的映射。引入基于湍流强度的物理信息子域划分，并依据局部能量阈值自适应确定模态数，从而兼顾精度与计算效率。

研究结果如下：

引言部分指出工业燃烧系统的多物理场耦合特征及其监测难点，回顾了实验测量、CFD模拟与降阶建模三类方法的进展与局限，明确了全局POD在局部流场捕捉上的不足。

物理信息子域POD框架将流程分为三个阶段：CFD模拟与POD基生成、子域划分与代理建模、预测与重构。子域划分依据湍流强度，使模型在强梯度区捕捉局部结构的能力显著提升。

代理模型评估环节对六种模型进行了超参数优化与留一法交叉验证，结果显示随机森林在预测性能与稳定性上均最优。

验证结果表明，该框架在燃气锅炉案例中成功重构温度、速度、氧浓度及NO_x场，精度高于全局与均匀分区POD方法，且计算时间降至秒级。

讨论与结论部分，研究人员强调该框架兼顾了物理一致性与计算效率，可推广至其他工业燃烧系统实时监测与优化控制中。其创新在于将湍流强度作为分区依据，并在各子域独立设定模态截断阈值，突破了传统均匀处理的局限。该方法不仅提升了重构精度，也为多物理场实时仿真提供了一种可行的工程路径。

随机森林(RF)模型因其在高维非线性映射中的优异表现被选为核心代理模型，结合物理信息驱动的子域POD，形成了完整的快速多物理场重构体系。研究验证了该方法在工业燃气锅炉监测中的实用价值，并为未来在更复杂能源系统中的扩展应用奠定了基础。