Year: 2025
Type: article
Abstract: 两相流现象广泛存在于能源化工、航空航天、环境工程等关键工业领域，其复杂的相间相互作用、界面动力学以及多尺度耦合效应使得数值求解极具挑战性。传统计算流体动力学方法虽然理论成熟，但在处理两相流的界面追踪、强非线性、相变传热等核心问题时面临网格依赖性强、计算成本高昂、泛化性较差等技术瓶颈。物理信息神经网络（physics-informed neural networks, PINN）作为融合深度学习与物理定律的新兴方法，通过将控制方程、边界条件、实验数据等约束嵌入训练过程，采用连续函数逼近替代离散网格求解，有效克服了上述局限性，为两相流数值求解提供了创新解决方案。本综述系统梳理了PINN在两相流研究中的理论发展与应用实践，包括界面追踪方法、多尺度建模策略、自适应权重调整等关键技术。重点阐述了PINN在气液界面动力学、液液相分离、液固悬浮流动、气固颗粒输运以及相变传热等典型两相流系统中的应用进展，明确了其在相界面追踪、多孔介质渗流、传热传质等关键问题上的有效性。基于当前研究现状，本文进一步讨论了PINN方法面临的技术挑战和发展机遇，为推进两相流智能求解技术的产业化应用提供了重要参考。
Authors: Yiran Duan, Jiaming Tian, Biao Li, Song Liu, Yueshe Wang
Language: English
Subfield: Statistical and Nonlinear Physics
Field: Physics and Astronomy
Domain: Physical Sciences
Open Access status: bronze
OpenAlex ID: W4416157577