MIMONet神经算子虚拟传感全流场重构

关键词：虚拟传感；神经算子；全流场重构；多输入多输出；实时监测

一、文章简要介绍

能源、环境和工业系统里，最要紧的内部状态往往测不到：辐射屏蔽后面、电化学层内部、大气柱中间、海面以下。基于控制方程、离散状态向量或固定测点的既有方案，都很难在实时约束下给出网格无关、且能在任意内部坐标上求值的场级重构。这篇文章提出用神经算子做虚拟传感作为通用框架，从稀疏、异质的测量量与运行工况出发，把无法直接测量的内部场还原出来，并把它实例化成 MIMONet：一个多输入多输出的神经算子，通过共享隐表示融合异质输入、解码相互耦合的物理场。研究分两级验证，先做三个工程级算例，再在三个互相独立的真实数据集上检验（DOI：10.1038/s41467-026-77463-7）。

图1 MIMONet 多输入多输出神经算子架构示意

方案的关键是把虚拟传感写成「学一个算子」。输入是 n 个异质模态 u = (u1, …, un)，可以包含标量运行参数、采样得到的边界函数、作动历史或稀疏场测量；输出是目标区域上空间连续的场。MIMONet 用模态专属的分支编码器把每个输入分量编码成宽度为 I 的隐向量，再把各路编码结果逐元素相乘融合成共享隐表示。解码由一个坐标条件化的主干网络完成，它把任意查询坐标 r 映射成各通道的解码基，再与共享隐表示收缩得到预测。因为主干的输入是坐标而不是网格点，训练好的算子可以在与训练时不同的坐标集上查询，实现网格无关的任意位置重构。整体计算量按批大小与查询点数的乘积缩放，足以支撑实时延迟预算内的稠密场重构。

二、MIMONet 方法与三个工程算例（重点）

第一个算例是顶盖驱动方腔，上壁面由时变速度 V(t) 驱动。这个算例的内部场在整域内都是算出来的，因此可以在全域而不是只在仪表够得着的地方量化精度，用来验证「只靠边界作动就能重构空间分布的内场」。第二个算例是压水堆子通道：冷却剂在燃料棒之间的狭窄区域流动，加热和壁面约束产生陡峭的温度梯度、二次流和局部湍流，而这些区域恰恰无法布置仪表，任务是在一个横截面上重构温度、速度和湍动能场。第三个算例是周期性紧凑式换热器，几何封闭、运行工况高，内部压力与速度场同样无法直接测量；相比子通道，它引入了完全三维的速度场、更强的压力与速度耦合，以及由内部翅片产生的回流。

图2 三个工程算例的全流场虚拟传感结果

三个算例的 CFD 数据都用三维 ANSYS Fluent 生成，含湍流模型与收敛判据，目标平面用非结构网格离散。以换热器为例：目标面取 x = 0.789，含 3977 个节点；数据集共 1546 组仿真，其中 1236 组用于训练、310 组留作测试；输入是 100 点的壁面热流剖面，加上入口温度和入口轴向速度。MIMONet 的架构与子通道算例一致，只是输出主干从三通道扩到四通道：100 点壁面热流剖面由宽度 [100, 512, 512, 512, 256] 的函数分支编码，入口标量对由 [2, 512, 512, 512, 256] 的标量分支编码，目标面上的坐标 (z, y) 由 [2, 256, 256, 256, 256×4] 的主干网络处理；两个 256 维分支表示逐元素相乘融合后与主干表示收缩，一次性预测压力 p 和三个速度分量。训练用四通道等权的均方误差和 Adam 优化器，批次大小 4，最多 500 轮，验证损失连续 10 轮不改善就把学习率减半；每个输出通道按训练集极值单独映射到 [−1, 1]，避免量纲差异让某一个场主导损失。

精度方面，三个算例的相对重构误差整体不超过 5%。顶盖驱动方腔的通道平均误差 3.3%（压力 2.1%、速度幅值 5.0%、湍动能 2.8%），对照的 KCN、NOMAD、GeoFNO 分别是 25.0%、41.9% 和 68.0%，MIMONet 低 7.6 到 20.6 倍。压水堆子通道的通道平均误差 2.2%（温度 0.27%、速度幅值 2.2%、湍动能 4.2%），三个基线分别是 53.0%、67.8% 和 72.2%，低了约 24 到 33 倍。换热器的误差集中得更低：压力 0.82%，三个速度分量分别是 1.45%、1.02% 和 0.52%。所有算例的前向推理都是亚毫秒级。

三、不确定度校准、鲁棒性与真实数据验证

要当虚拟传感器用，光有一个点估计不够，还得给出可信的不确定度。作者用 MC-dropout 得到预测区间，再在一个独立的保形校准集上把区间重标定到 95% 的名义覆盖率。未校准的 z 分数分布比标准正态更窄，说明原始的 MC-dropout 区间偏保守；校准之后，均值和标准差都贴近 0 和 1，经验覆盖率也对上了名义值。这一节还检查不确定度是否「信息量足」，也就是预测标准差越大的地方，实际误差是否也越大，用 Pearson r 和 Spearman ρ 来量化这种关联。

图3 换热器重构的不确定度信息量与校准

对比基准覆盖了神经算子方法的 GeoFNO、NOMAD，以及学习型克里金基线 KCN。图4a 给出三个算例测试集上每一个重构场的平均相对 L2 误差，对数色标；图4b 是通道平均误差随可训练参数量的变化；图4c 则把加性高斯噪声注入归一化后的换热器输入，看各通道相对 RMSE 相对各自无噪基线的抬升幅度。MIMONet 在三个算例的每一个输出通道上都拿到最低误差，同时参数量与推理开销保持在实时监测可用的范围内。

图4 MIMONet 与神经算子及学习型插值基线的基准测试

虚拟传感器难免遇到训练数据范围之外的工况，所以还专门考察了「局部分布外泛化」。针对换热器配置额外生成 50 组 ANSYS Fluent 算例，把入口速度、入口温度和壁面热流幅值放到各自训练范围之外约 15%，其中 25 组低于下边界、25 组高于上边界，几何、求解器配置、收敛判据、数据处理流程和目标面 x = 0.789 全部保持不变。图5 给出分布内与分布外条件下的通道平均误差，并标出 OOD 与 ID 的误差比，可以看到误差随外推缓慢上升，而不是突然失效。

图5 换热器上的局部分布外泛化与推理效率

真实数据这块用了三个互相独立的公开数据集，共同点是「要重构的那个场，没有任何可部署的仪表能直接测到」，只能从其他量的稀疏观测里推出来。第一个是质子交换膜燃料电池内部的电流密度场，只用 324 个映射网格段中的 32 段做观测，相当于约 10% 的传感器覆盖；第二个是 IEA-Wind 高塔数据，用 10 米、25 米、50 米高度的传感器去重构轮毂高度的风速；第三个是 GLORYS12 全球海洋再分析，用稀疏且互不重叠的温度、盐度观测去重构北大西洋的海表面高度，而这个场一个直接传感器都没有，只能靠它与温盐场学到的耦合关系推出来。

图6 三个真实数据集上的算子虚拟传感

结果上，MIMONet 相对经典虚拟传感基线，在燃料电池内场重构上把误差降了 84%，在轮毂高度风速重构上降了 83%，整体改善幅度 72% 到 84%；海表面高度的误差降到最好经典预测器的 4.1 分之一。这种跨模态的场重构，已经超出经典插值方法的能力范围。作者也交代了边界：这里的实时指的是监测回路里的前向传播延迟，不包含传感器采集、通信、预处理和下游决策；含时间历史的输入用的是完整信号，属于定区间平滑，而不是因果滤波。

四、我们提供的服务

我们在数据驱动的物理场建模与虚拟传感方向可以承接：神经算子模型（MIMONet / FNO / DeepONet 等）的搭建与训练、稀疏传感器布局下的全流场重构、多输入多输出算子设计与共享隐表示融合、基于 MC-dropout 与保形预测的不确定度校准、噪声鲁棒性与分布外泛化测试、推理延迟优化与实时监测回路集成，以及用 ANSYS Fluent 生成训练与验证数据集、模型基准对比、论文级图表复现等服务。如需相关服务，欢迎私信聊聊。

如有需要，欢迎通过公众号“320科技工作室”联系我们。