科研动态


科研成果|用人工智能“重塑”经典模型!我院任涛副教授团队开发全新神经网络光谱模型,助力碳中和场景下高温辐射过程精准模拟


近日,上海交通大学中英国际低碳学院任涛副教授团队在国际热科学权威期刊《International Journal of Heat and Mass Transfer》发表最新研究成果,提出了一种基于物理约束神经网络的灰气体加权和辐射模型(PINN-WSGG),为高温多组分气体体系中的辐射光谱建模提供了全新解决方案。该模型有望广泛应用于低碳燃料燃烧、工业余热回收、碳捕集与封存(CCUS)等碳中和关键场景,成为支撑绿色能源系统建模的有效工具。

论文第一作者为上海交通大学中英国际低碳学院博士研究生陈玮,通讯作者为任涛副教授。

 

背景:传统WSGG模型难以胜任新一代低碳系统模拟

灰气体加权和(WSGG)光谱模型由于计算开销低、易于集成,至今仍是工业CFD中最常用的辐射谱模型之一。但其开发方法长期以来依赖经验性多项式拟合,缺乏物理一致性,也难以适应多组分、变压强等复杂低碳燃烧场景——目前主流WSGG模型基本仍局限于水蒸气和二氧化碳这两个组分,难以满足氨氢掺烧、生物燃料燃烧等新型能源系统的建模需求。

 

突破:首次将物理约束神经网络引入WSGG模型开发

该项研究首次提出将辐射传输物理建模与机器学习相结合的WSGG开发框架,通过两个小型神经网络分别预测“灰气”的吸收系数与权重因子,并引入总体发射率误差辐射热源项误差两个物理约束作为损失函数,使模型不仅“拟合得好”,更“讲得通”。

“这是对传统WSGG模型开发范式的一次突破。”任涛表示,“PINN-WSGG解决了困扰传统WSGG建模的两大难题:一是模型缺乏物理一致性,二是无法拓展到多组分或变压强气体环境。”

PINN-WSGG模型框架

 

成果:轻量、高准、可扩展,助力工程落地

该模型在水蒸气二氧化碳一氧化碳三组分体系中进行了训练与验证,表现出与逐线(Line-by-Line)基准计算接近的精度。同时,该模型已成功集成进主流开源CFD平台OpenFOAM开箱即用,在Sandia D火焰模拟中与高精度FSCK模型结果高度一致。

更重要的是,PINN-WSGG模型框架支持直接输入任意气体的摩尔分数,天然适应多组分复杂体系与不同压力环境,为未来低碳燃料(如NH3/CH4/H2混合)、富氮燃烧、高压燃气轮机等系统的辐射建模提供了可落地的通用工具。

PINN-WSGG 模型在总发射率和辐射热源预测中与逐线模型高度一致

Sandia D×4 火焰模拟中,PINN-WSGG4种灰气体)辐射热源计算结果与 FSCK32个求积节点)高度一致。

 

应用前景:提升碳中和关键技术模拟中的辐射建模能力

从碳排放强度的预测与反馈控制,到工业炉窑的能效优化,再到高温CO₂捕集与转化过程的能耗评估,PINN-WSGG 模型均可作为热辐射建模的基础模块嵌入多类低碳系统模拟中,有效提升仿真精度与计算效率。特别是在氨燃烧、氢燃烧等典型无碳燃料场景中,燃烧产物组分复杂、热辐射贡献显著,传统WSGG模型难以胜任,而该模型可灵活应对多组分、高非线性特性与变压条件,具备良好的适用性与可扩展性,为低碳/零碳能源技术研发提供了可靠的建模工具支持。

目前该模型与测试案例已在GitHub平台开源发布(https://github.com/TaoRen-Rad/PINN_WSGG)。


作者介绍

第一作者:陈玮。上海交通大学中英国际低碳学院2023级博士研究生。研究方向:气体辐射与温室气体遥感监测。

通讯作者:任涛。上海交通大学中英国际低碳学院长聘副教授,博士生导师。研究方向:辐射传输、燃烧诊断、大气温室气体光学监测。

 

 

论文原文链接:https://doi.org/10.1016/j.ijheatmasstransfer.2025.127328