智能流体新综述：83页长篇综述，揭示Scientific Deep Learning[科学深度学习]在湍流·多相流·燃烧等领域的前沿应用和未来发展

湍流、多相流与燃烧，是计算流体力学里三条最耗算力、也最缺"快而准"代理模型的战线。DNS 要分辨 Kolmogorov 微尺度，LES 要补亚格子应力，燃烧还要在  物种、 反应的刚性化学网络上积分——传统 CFD 与实验诊断能给出可信基准，却难以支撑实时控制、大规模参数扫描和不确定性量化。科学深度学习（Scientific Deep Learning, SciDL）近年把 PINN、神经算子、生成式模型和混合封闭策略推到了这些问题的交叉路口。

我们为大家推荐的是发表在 Neurocomputing 上的一篇长篇综述。该刊由 Elsevier 出版，1989 年创刊，长期收录神经计算理论与人工智能应用方向的工作。据 2025 年中科院期刊分区升级版，Neurocomputing 在计算机科学大类为 2 区 Top，小类「计算机：人工智能」亦为 2 区；JCR 2025 数据中「COMPUTER SCIENCE, ARTIFICIAL INTELLIGENCE」为 Q1，最新影响因子 6.7，五年影响因子约 6.4，CiteScore 约 10.8。收稿范围覆盖深度学习、神经计算与跨学科智能应用，在 AI 与工程交叉领域有稳定认可度。

在这本期刊上，Worcester Polytechnic Institute 的 Sidharth S. Menon、Mahdi Lavari、Amelia Kokernak、Joel Mathew（四位共一作者）、Charulatha A. Jagtap、Jagannath Jayachandran、Aswin Gnanaskandan 与通讯作者 Ameya D. Jagtap 近期发表了这篇约 83 页、引用近 590 篇文献的综述。文章把 SciDL 在湍流封闭、多相界面追踪、燃烧化学加速三条战线上的方法谱系统一梳理，并给出湍流封闭模型的五类分类框架（Fig. 22），同时首次系统汇总超燃发动机（scramjet）方向的 SciDL 应用。对需要快速建立"该用哪种网络、嵌入求解器的哪一环"认知图谱的读者，这篇工作值得细读。

暑期课程和报名主页

https://github.com/xgxgnpu/Physics-informed-vibe-coding

审稿标准：按 ICLR / NeurIPS / JCP / CMAME 级别评价。

核心贡献认定：（1）首次将湍流、多相、燃烧三条复杂流场战线置于同一 SciDL 叙事框架下，从函数逼近器（ANN/CNN/RNN/GNN/Transformer/GAN/扩散模型）到算子逼近器（PINN、NODE、DeepONet、FNO）形成完整方法栈；（2）提出 RANS/LES 湍流封闭的 Category I*–IV 分类体系，区分"求解器内嵌修正"与"端到端映射"两类部署路径，并讨论 a priori / a posteriori 双轨验证的必要性；（3）燃烧部分覆盖化学动力学算子加速、逆场重构、热声不稳定控制，以及 scramjet、旋转爆震发动机（RDE）等前沿推进系统的 SciDL 应用；（4）Section 6 对每条战线的局限与未来方向做了分域归纳，可作为选题索引。

引文完整性核查：经联网调研，三篇与算子学习理论基础、PINN 问题设定、CFD 算子基准评测直接相关的工作未被正文充分对比，影响读者对技术谱系与评测尺度的把握。

1. Kovachki N, Li Z, Liu B, et al. Neural operator: Learning maps between function spaces[J]. Journal of Machine Learning Research, 2023, 24(89): 1-97. — 算子学习的泛函空间理论基础；正文对 FNO 的引用停留在 arXiv 预印本 [17]，未与 JMLR 正式版系统对照。

2. Li Z, Zheng H, Kavvas M L, et al. Physics-informed machine learning: A survey on problem setup and existing approaches[J]. Computer Methods in Applied Mechanics and Engineering, 2022, 390: 114441. — PINN 问题设定与变体分类的权威综述；本文 Section 2.2.1 虽覆盖 PINN 损失形式，但对"前向/逆问题/参数识别"等 workflow 合约讨论不足。

3. Zhang Y, Li Z, et al. CFDONEval: A comprehensive evaluation of operator-learning neural network models for computational fluid dynamics[C]//Proceedings of the Thirty-Fourth International Joint Conference on Artificial Intelligence, 2025: 5752-5760. — 12 种算子网络 × 7 类 CFD 基准的系统评测；正文缺跨架构统一 benchmark 定量对照，读者难以判断不同算子在多尺度、对流主导、非结构网格等挑战下的相对优劣。

核心不足：（1）综述性质决定其以文献归类为主，缺作者主导的跨方法统一实验；（2）三维工业尺度、强几何/参数 OOD 外推的讨论偏定性，多数案例仍停留在 2D 或中等分辨率；（3）Category-IV 端到端映射与 Category I*–III 求解器内嵌修正的 a posteriori 验证报告不均衡，部分工作仅做 a priori 测试；（4）多相流仍以图像分割、2D 平面重建为主，质量/动量守恒的硬约束嵌入仍不充分；（5）590 篇引文跨度大，部分 2025–2026 年工作收录时效性强，但也增加了读者筛选成本。

综述 Section 2 把 SciDL 方法分为两层：函数逼近器（在固定网格或序列上回归场变量）和算子逼近器（学习参数化 PDE 的解算子映射）。Fig. 1 用三分法概括流体建模路线：纯数据驱动、物理驱动、混合模型——三者并非互斥，工程上常按数据可得性与物理约束强度选型。

数据驱动回归的最基本形式是均方误差监督。对时空场  ，网络参数  通过最小化

来拟合 CFD 或实验标签。CNN 凭借参数共享适合处理   三通道速度切片；RNN/LSTM 用隐状态递推  捕捉时间序列依赖，但 BPTT 训练成本随序列长度线性增长；GNN 则把非结构网格上的节点关系编码为消息传递，适合粒子分辨多相流和任意拓扑域。

PINN 在数据项之外加入 PDE 残差软约束（Eq. 3–4）：

配点上的  通过 PyTorch 等框架的自动微分（AD）计算，使网络在稀疏观测下仍受 Navier–Stokes 等方程正则。Fig. 11 展示了三维不可压流中， 输入、 输出与残差损失的数据流。

神经算子学习的是函数空间之间的映射 。DeepONet 用分支网络编码输入函数在传感器点  上的取值，用主干网络编码查询点 ，输出为两路特征的内积；FNO 则在 Fourier 空间做全局卷积，对周期边界和参数化族问题效率较高。综述指出，多相流中 FNO 可学习从边界/初值到全场分布的映射，燃烧中则常与自编码器联用，把高维组分空间压缩到低维潜空间再推进。

Section 3 从可压缩性不可压 Navier–Stokes 出发，沿尺度链向下：DNS 分辨全部湍流尺度，LES 对场变量做卷积低通滤波

得到滤波后方程，未闭合的亚格子应力  需模型补充；RANS 则对时间平均，Reynolds 应力  成为封闭核心。线性涡黏模型（LEVM）用 Boussinesq 近似把 Reynolds 应力与平均应变率关联，但在强曲率、分离和各向异性流动中误差显著——这正是数据驱动封闭试图修补的切口。

综述的核心组织贡献之一，是把 DL 湍流封闭按部署位置分为五类（Fig. 22）：Category I* 直接修正 – SST 等模型中的产生项/阻尼函数；Category I 保持 Boussinesq 结构、只修正涡黏系数；Category II 修正 Reynolds 应力张量本身；Category III 在求解器循环内嵌 DL 模块做在线修正；Category IV 则完全用网络建立输入特征到流场的端到端映射，无 CFD 求解器参与推理。含传热的版本进一步细化为 Fig. 23 的三类结构。

一个值得注意的工程判断：Category IV 模型在训练分布外往往需重新训练，因其对几何和边界条件不具天然等变性；而 Category I*–III 虽训练成本更高（需高保真 DNS/LES 标签），却能在 a posteriori 测试中嵌入现有 RANS/LES 工作流，更接近工业落地路径。综述明确呼吁：未来工作应同时报告 a priori（测试集误差）与 a posteriori（求解器内实时表现）结果，并建立开放 benchmark 数据集。

特征空间外推是另一关键议题。Wu 等引入 Mahalanobis 距离

和归一化 KDE 距离来量化测试工况与训练集的偏离程度。以周期山丘流 Re = 10,595 为例，用波状通道（WC360）数据训练的模型，其 Mahalanobis/KDE 距离显著偏大，Reynolds 应力各向异性预测也明显失真（Fig. 20–21）——这说明"数据集选对了"有时比"网络加深"更关键。Akolekar 等的分区建模（Fig. 18）进一步表明：按尾迹、分离泡、高曲率区分别训练局部模型，可比全局单一网络获得更稳健的封闭效果。

主动流控方面，深度强化学习（DRL）与多智能体 MARL 已被用于圆柱绕流减阻、薄膜流动不稳定抑制等场景；综述同时指出，真实实验环境的高成本、传感器噪声和仿真环境的可扩展性，仍是 DRL 走向工程的主要瓶颈。

Section 4 覆盖气液、液液、固液等多相体系。CNN/UNet 广泛用于气泡检测、界面分割和流场超分；GNN 消息传递适合粒子分辨 Lagrangian 模拟和任意连通拓扑；PINN 则在谱基 PINN、P-PINN 等变体下用于两相管流速度压力联合预测。综述归纳的共性局限包括：训练工况外的泛化缺口、以 2D 平面为主的分辨率限制、以及对守恒律硬约束嵌入不足导致的非物理外推。

Basha 等 [347] 提出的统一平台把实验设计、集成学习与贝叶斯不确定性量化耦合进多相 CFD，代表了"数据+物理+UQ"三位一体的趋势。对读文献的读者，一个实用建议是：先按任务类型（界面追踪 / 流型分类 / 孔隙尺度运移 / 实验虚拟传感）检索，再按架构族（CNN、GNN、FNO、PINN）二次筛选，比按年份线性浏览高效得多。

Section 5 把燃烧 SciDL 分为基础研究与工程应用两大块。化学动力学积分是首要瓶颈：详细机理含  物种与  反应，刚性时间尺度使隐式积分代价高昂。DeepONet 和扩展深度神经算子（如 Goswami 等 [387] 的 xDNO）被用于学习物种浓度的时间演化算子；NODE 框架则把每层对应不同反应路径，权重即待优化的速率参数。

逆场重构是另一亮点。Yadav 等 [477] 仅用 CFD 域内 0.2% 区域的速度数据，即重建了稳态预混/湍流火焰的温度与密度场；Liu 等 [479] 在实验装置的光学不可及区域重构了温度与 OH 场，并进一步推断未测量的碳烟体积分数。这类"虚拟传感器"思路对实验数据稀缺场景尤其有价值。

工程应用侧的数据更具冲击力：固体推进剂三相燃烧 DNN 代理相对原物理模型加速约 600 倍 [565]；LS-PhyNet 对燃烧面退化的 level-set 求解加速约 500 倍 [569]；超燃发动机中，UGAN 从 2×16 维壁面压力向量重建二维燃烧室内流场 [545]；RDE 中 PINN 在无化学反应进度场直接测量的情况下，通过 Euler 方程约束推断反应进度 [552]。

综述还特别指出，scramjet 方向的 SciDL 应用（流场预测、PLIF 火焰状态识别、模式分类）在既往燃烧 ML 综述中覆盖较少，是本文的差异化贡献之一。锅炉与燃气轮机侧，CNN-LSTM、GC-GRU 和约束型 PINN 已被用于 NOx 排放预测与 DRL 燃烧优化（如 Wang 等 [590] 的煤粉锅炉动态优化框架）。

本篇为综述，未提供统一代码仓库；但正文多次提及 PyTorch 与 AD 接口，可据此梳理一条通用 SciDL 管线：

输入层 ：边界/初值条件、稀疏传感器读数、几何参数或工况向量（雷诺数、当量比、空泡含率等）。

架构选择：场回归用 MLP/CNN；非结构域用 GNN；参数化族与跨分辨率泛化优先考虑 FNO/DeepONet；缺标签或标签极稀疏时用 PINN，在配点上最小化 PDE 残差；时间序列控制用 RNN/LSTM 或 DRL 策略网络。

损失组装：监督项  + 物理项 （PINN）或算子监督项 （神经算子）；混合封闭还需区分离线预训练损失与 CFD-in-loop 在线修正目标。

求导与优化：PINN 的 、 等通过 torch.autograd 自动完成；常见策略为先 Adam 预热，再切换 L-BFGS 精修（综述 Section 2 与多篇引用工作采用此套路）。

部署验证：a priori 在测试集上评估；a posteriori 将模型嵌入 OpenFOAM 等求解器，检查守恒性、稳定性与工况外推表现。Category IV 模型需额外关注几何泛化；Category I*–III 模型需验证求解器耦合不引入数值发散。

对 PINN 初学者，一个务实起点是：先用少量配点验证  能否在简单域（如 2D Poisson 或稳态热方程）上收敛，再逐步加入对流项和复杂边界；对算子学习，则建议固定传感器布局、明确查询点分辨率，避免训练与推理离散不一致。

Section 6 的分域总结可压缩为三条行动线索。

湍流：建立开放的 RANS/LES 封闭 benchmark 数据集与标准 CFD 评测代码，强制要求 a priori + a posteriori 双轨报告；推进 Category I*–III 类求解器内嵌模型，而非仅追求 Category IV 的离线精度。

多相：从 2D 图像任务走向真 3D 体重建；在 PINN、FNO 等架构中硬嵌入质量/动量守恒；发展少样本与生成式数据增强，降低对昂贵标注的依赖。

燃烧：从纯数据驱动映射转向物理信息约束，以虚拟传感器补全实验盲区；在 stiff 化学、湍流–化学耦合和 RDE/scramjet 实时诊断上继续深耕；推进化学机理约简与算子学习的系统化联训。

对我们做 PINN 或神经算子的读者，这篇综述的价值不在于提供新算法，而在于给了一张可检索的"战场地图"：先定位你的 PDE 属于哪条战线，再沿 Fig. 22 的五类封闭或 Section 2 的算子族找到对标文献，最后按 Section 6 的局限清单检查自己的实验设计是否踩了已知坑。

综述本身不做算法包装，但其所收录的文献中存在值得警惕的表述趋势：把经典的降阶建模、封闭修正和变分弱形式重新冠以"全新神经网络架构"之名。

Category I*–III 封闭模型，本质是在 RANS/LES 求解器内嵌数据驱动的修正项——这与 2000 年代起的 ML 增强湍流建模一脉相承，网络只是新的函数逼近器，物理骨架仍是 Boussinesq 或 Reynolds 应力输运。PINN 残差损失等价于在配点上最小化 PDE 弱形式偏离，与有限元/配点法的变分思想同源，并非独立于数值分析的建模范式。 DeepONet/FNO 加速化学积分，替代的是传统查表（ISAT）或简化机理（FGM）的计算流程，算子学习是工程实现手段，不自动意味着发现了新燃烧机理。

判断一项工作是否"过度包装"，可问三个问题：去掉神经网络后，是否仍有可识别的物理方程或数值格式骨架？性能增益来自更好的归纳偏置，还是来自更多训练数据？外推能力是否经过 a posteriori 验证，而非仅在训练分布内报告低误差？按此标准，本文推荐的综述恰恰因为其分类框架（Fig. 22）和验证呼吁，有助于读者区分表达工具升级与物理认知突破。