DRUGONE

复杂流体中粒子运动轨迹与流场的准确预测,是流体力学、环境科学和生物医学研究中的重要问题。传统方法通常依赖纳维–斯托克斯方程的数值求解,不仅需要准确的物理边界条件,还面临计算成本高、观测数据不足等限制。现有机器学习方法虽然能够重建局部流场,但在稀疏观测条件下难以同时实现完整流场恢复和长时间粒子轨迹预测。为解决这一问题,研究人员提出TrajectoryFlowNet,一种融合拉格朗日与欧拉描述的物理信息神经网络框架。该方法将粒子运动轨迹与时空流场建模相结合,通过物理约束保证两者的一致性,并利用傅里叶特征映射提高复杂流动结构的表征能力。研究人员在方腔驱动流、复杂圆柱绕流以及实验测量的主动脉和左心室血流四类场景中开展验证。结果表明,TrajectoryFlowNet能够在有限粒子观测数据下准确预测未观测粒子的长期运动轨迹,同时重建连续速度场和压力场,并适应不规则及动态变化的边界条件。该研究为复杂流动的测量、重建与预测提供了一种新的数据驱动方法,在心血管血流成像及环境流体监测等领域具有应用潜力。

流体运动广泛存在于自然环境、工业过程和生物系统中。无论是海洋污染物的扩散、湍流中的颗粒输运,还是心血管系统中的血液循环,都需要同时了解流体在空间中的运动状态,以及其中粒子随时间变化的运动轨迹。


传统流体分析主要采用欧拉和拉格朗日两种描述方式。欧拉方法关注固定空间位置处速度、压力等物理量的变化,适合描述整体流场;拉格朗日方法则跟踪单个粒子的运动过程,可以直接分析粒子的迁移路径和输运行为。两种描述在物理上相互关联,但实际计算和测量通常分别进行。


实验研究中,粒子图像测速技术(PIV)通过分析连续图像中的粒子位移估计流场,粒子跟踪测速技术(PTV)则记录可识别粒子的运动轨迹。然而,PIV依赖较高密度的示踪粒子,难以直接追踪单个粒子的长期运动;PTV虽然能够获取粒子轨迹,却很难在观测稀疏时恢复完整流场。当粒子高速运动、流场快速变化或部分粒子暂时消失时,传统跟踪方法还容易出现轨迹中断。


数值模拟能够通过求解流体控制方程预测流动,但通常需要准确指定初始条件和边界条件,并消耗大量计算资源。对于真实血流等具有复杂几何结构和动态边界的系统,这些条件往往难以完整获得。


近年来,物理信息神经网络(PINN)通过将流体控制方程融入模型训练,为稀疏数据条件下的流场重建提供了新的途径。不过,多数现有方法仍侧重欧拉流场预测,未能将单个粒子的连续运动轨迹作为独立学习目标。即使能够重建速度场,也不一定能够稳定预测粒子的长时间运动。


基于上述问题,研究人员提出TrajectoryFlowNet,希望利用有限的粒子轨迹和速度观测,同时学习流体的整体运动规律与单个粒子的运动过程,实现两种物理描述之间的统一。



研究方法

TrajectoryFlowNet采用拉格朗日–欧拉联合建模框架,由轨迹预测模块和流场预测模块组成。轨迹模块接收粒子的初始位置、释放时间及运动时间,预测其随时间变化的空间位移,从而得到连续运动轨迹;流场模块则利用预测的粒子位置和时间信息,估计对应的速度与压力,并恢复连续时空流场。两个模块均采用傅里叶特征映射,以增强对复杂涡旋和快速流动变化的表征能力。训练过程中,研究人员通过自动微分计算粒子轨迹的时间导数,使其与流场模块预测的速度保持一致,同时利用不可压缩连续性方程和纳维–斯托克斯方程约束速度、压力之间的物理关系。模型通过联合优化轨迹误差、速度误差及物理残差完成训练,无须预先显式指定完整的边界条件。为检验其适用性,研究人员设计了方腔驱动流和复杂圆柱绕流两组数值模拟实验,并进一步采用体外主动脉和左心室血流实验数据验证模型在稀疏观测、复杂几何和动态边界条件下的性能。



研究结果

TrajectoryFlowNet实现粒子轨迹与连续流场的联合学习

TrajectoryFlowNet的核心设计是建立粒子运动与流体速度场之间的直接联系。研究人员将示踪粒子近似为质量和尺寸可忽略的被动粒子,认为其能够即时响应局部流体速度的变化。因此,粒子的运动轨迹不仅反映自身位移,也包含沿途流场的动力学信息。


在这一假设下,轨迹模块根据初始位置和时间预测粒子在任意时刻的位置,流场模块再利用这些位置推断速度及压力。通过约束粒子运动速度与预测流场速度的一致性,两个模块形成相互联系的学习过程。


与单独学习粒子位移或速度场的方法不同,该框架允许轨迹观测为流场重建提供信息,同时利用流体控制方程限制不合理的轨迹预测。即使观测粒子数量有限,模型也可以借助学习到的连续流场,对未直接观测的粒子进行轨迹推断。


研究人员还在两个模块中引入傅里叶特征映射,以缓解普通神经网络难以学习高频变化的谱偏置问题。这一设计对于描述涡旋、局部速度梯度以及非稳态流动尤为重要。


此外,模型采用物理约束与观测数据联合训练,使流场预测不再完全依赖密集测量,也降低了对预先给定边界条件的依赖。

图1. TrajectoryFlowNet的整体架构及拉格朗日–欧拉联合学习流程。


方腔驱动流验证长时间轨迹预测与流场重建能力

研究人员首先采用经典方腔驱动流评估模型性能。该系统由一个边长为1米的正方形腔体组成,左右及底部边界固定,顶部壁面以1米每秒的速度运动,雷诺数为100。


顶部壁面的运动会在腔体内部形成主要旋涡,并在边角区域产生较弱的局部流动,因此适合检验模型对不同尺度流动结构的恢复能力。


研究通过FLUENT软件生成高精度模拟数据,在腔体中释放300个示踪粒子,并记录其运动轨迹、速度及压力。训练阶段使用其中200个粒子的数据,剩余100个粒子用于独立测试。


预测结果显示,TrajectoryFlowNet能够准确恢复粒子在腔体中的循环运动轨迹。即使在较长时间范围内,预测轨迹仍与真实模拟结果高度一致。在测试时间区间内,轨迹位移的相对误差始终低于5%,皮尔逊相关系数保持在0.997以上。


流场重建结果同样表现良好。模型预测的速度分布能够准确反映腔体中心的主要旋涡及周围低速区域。速度分量的相关系数均达到0.9998,压力场相关系数为0.9954。


在速度大小的误差分析中,归一化均方根误差约为0.0109,平均绝对误差为0.0016。预测速度的统计分布也与真实结果基本重合。


不过,研究人员发现,腔体顶部角落仍存在局部预测误差。这些区域的示踪粒子较少,说明观测数据的空间覆盖程度仍会影响模型对局部流动结构的恢复。

图2. 方腔驱动流中的粒子轨迹预测、速度场重建及误差评估。


复杂圆柱绕流验证不规则边界下的流动预测

为进一步检验模型对复杂流动结构的适应能力,研究人员构建了包含内部圆柱障碍物及不规则边界的二维流动系统。


实验采用水作为工作流体,入口流速为0.2米每秒,对应雷诺数为146,404。流体经过内部圆柱及不规则通道后发生分离,产生复杂涡旋、回流和局部速度变化。


与方腔驱动流相比,该系统具有更复杂的空间结构和明显的非均匀流动特征,对粒子轨迹及速度场预测提出了更高要求。


研究人员利用直接数值模拟生成训练数据,使用2000个粒子的轨迹及速度信息训练模型,并以另外200个粒子进行测试。


结果显示,TrajectoryFlowNet能够较好地预测粒子绕过障碍物后的复杂运动路径。在整个测试时间范围内,轨迹位移相对误差保持在6%以下,相关系数始终高于0.98。


模型同时恢复了圆柱附近的流动分离、局部涡旋以及下游复杂流场。预测速度场与模拟结果具有较高一致性,两个速度分量的相关系数分别达到0.9814和0.9787,压力场相关系数为0.9614。


在速度大小的预测中,均方根误差为0.01019,平均绝对误差为0.00489,表明模型能够在复杂边界条件下保持较好的定量预测精度。


研究还将TrajectoryFlowNet与已有人工智能测速方法进行比较。传统AIV方法在这一复杂场景中的速度分量相关系数仅为0.0586和0.3335,难以有效恢复复杂流场。相比之下,TrajectoryFlowNet不仅提高了流场重建质量,还能够直接生成粒子的长时间运动轨迹。


然而,在低速区域,模型仍出现轻微的速度高估现象。这主要与示踪粒子在空间中的分布不均有关,说明极度稀疏的局部观测仍然会限制预测精度。

图3. 复杂圆柱绕流中的长时间粒子跟踪、流场重建及预测误差分析。


主动脉血流实验验证动态边界条件下的预测能力

在数值模拟验证后,研究人员将TrajectoryFlowNet应用于实验测量的主动脉血流,以评估其处理真实测量噪声及复杂生理流动的能力。


研究采用基于人体CT数据三维打印的主动脉硅胶模型,并在主动脉根部植入经导管主动脉瓣。实验通过循环装置模拟心脏泵血过程,使用具有血液相似流动性质的工作液体,并通过时间分辨粒子图像测速获取主动脉内部的速度信息。


主动脉血流具有明显的动态变化特征,血管边界随流动周期发生形变,局部速度分布也受到瓣膜结构及复杂几何形状的影响。


实验共记录5489个粒子的运动信息,其中包括372个具有多个时间点轨迹记录的粒子。研究人员通过对原始轨迹进行分段和重叠采样,增加可用于模型训练的时空样本。


模型训练后,研究人员利用69条独立标注的粒子轨迹评估预测精度,并采用未参与训练的PIV速度场数据检验流场重建结果。


结果表明,TrajectoryFlowNet能够在主动脉边界持续变化的情况下准确预测粒子运动。轨迹位移的最大相对误差低于6%,在大部分时间内,预测值与真实测量值的相关系数超过0.99。


模型重建的主动脉速度场能够反映血液流经瓣膜后的主要流动结构,并与实验PIV结果保持较好一致。尽管训练数据稀疏且存在测量误差,模型仍能够恢复连续流场,而不需要显式输入随时间变化的完整边界条件。


不过,实验测量的两个速度分量相关系数分别为0.8703和0.7355,低于理想化数值模拟中的表现,说明真实生理流动的复杂性仍会影响预测精度。

图4. 主动脉血流实验中的动态边界、粒子轨迹预测及速度场重建。


左心室血流实验进一步验证复杂生理流动中的适用性

研究人员进一步采用左心室血流实验评估TrajectoryFlowNet在更复杂生理环境下的表现。与主动脉流动相比,左心室血流受到周期性收缩、舒张及瓣膜结构的共同影响,内部流动具有更明显的非稳态特征。


实验系统由根据人体CT数据构建的硅胶左心室、真实解剖结构的二尖瓣组件及流体循环装置组成。研究人员通过电机驱动装置模拟心脏周期性运动,设置心率为每分钟60次,心输出量为每分钟3.6升。


在数据采集阶段,研究人员记录527个具有连续轨迹标注的粒子,以及14,133个通过PIV测量的单时间点粒子,并通过轨迹分段获得训练样本。


测试集包含96条独立粒子轨迹及200帧PIV速度场,用于评价模型在未知观测数据上的预测表现。


结果显示,TrajectoryFlowNet能够有效追踪左心室内部粒子的运动轨迹,并恢复随心动周期变化的流场结构。粒子轨迹预测的相关系数保持在0.98以上,两个速度分量的总体相关系数分别达到0.7316和0.9201。


模型还能够重建左心室内部较复杂的速度分布,捕捉流体在周期性驱动下的加速、减速及局部运动变化。这表明,即使训练数据存在噪声、缺失以及动态边界的不确定性,联合学习框架仍具有一定的稳定性。


进一步分析发现,模型误差与雷诺数变化存在明显联系。当心室内流速较高、雷诺数快速变化时,速度预测误差增大。这主要是因为当前模型采用固定雷诺数近似,尚不能充分描述流动状态随时间变化的全部特征。


此外,真实心室血流属于三维复杂流动,而本研究主要利用二维PIV测量数据进行重建,因此模型仍存在由维度简化带来的误差。


尽管如此,实验结果仍表明,TrajectoryFlowNet能够从有限的粒子观测中恢复具有生理意义的血流动力学特征,为未来心血管功能评估及血流成像研究提供了新的技术思路。

图5. 左心室血流实验中的粒子运动预测、动态流场重建及误差评估。



讨论与结论

本研究提出的TrajectoryFlowNet通过将拉格朗日粒子轨迹与欧拉流场描述结合,实现了粒子长期运动预测和连续流场重建的统一。与主要关注速度场恢复的传统物理信息学习方法不同,该框架能够直接预测任意初始位置粒子的运动路径,同时利用流体控制方程保证预测结果的物理一致性。


数值模拟和实验结果表明,该方法能够在观测数据稀疏、空间分布不均及边界条件不完整的情况下保持较高预测精度。尤其是在主动脉和左心室血流实验中,模型能够从有限的粒子轨迹信息中恢复复杂血流结构,体现了物理约束与数据驱动学习相结合的应用价值。


不过,当前方法仍存在一定限制。首先,不同流动场景通常需要分别训练模型,尚未实现跨系统直接泛化。其次,模型采用二维不可压缩流动近似,难以完整描述真实三维血流中的非牛顿特性和复杂流固耦合过程。此外,固定雷诺数假设及局部观测不足也会影响快速变化流场中的预测精度。


总体而言,TrajectoryFlowNet为稀疏观测条件下的复杂流动学习提供了新的解决方案。未来若能进一步扩展至三维流动、动态物理参数及跨场景迁移学习,该框架有望在心血管血流成像、海洋污染物输运以及复杂工程流场重建等领域发挥更大作用。

整理 | DrugOne团队


参考资料


Wan, J., Wang, H., Liu, B. et al. Lagrangian–Eulerian learning of flow field and trajectories with TrajectoryFlowNet. Nat Mach Intell (2026). 

https://doi.org/10.1038/s42256-026-01316-7

内容为【DrugOne】公众号原创|转载请注明来源

内容中包含的图片若涉及版权问题,请及时与我们联系删除