2025年基于算子学习的等离子体数值模拟及应用报告-东南大学（仲林林）_46页_20mb

FAFEE 2025 弱等离子体数值模拟及算子学习应用总结

等离子体仿真模型

等离子体仿真常用动理学模型（如Particle-in-cell, PIC）和流体模型（如漂移-扩散方程、磁流体动力学模型）。动理学模型适合微观粒子行为模拟，但计算复杂；流体模型基于宏观平均量，计算效率高但需选择高精度版本。

物理信息神经网络与算子学习

1. 物理信息神经网络 (PINN)
   将物理方程嵌入神经网络结构，利用已知物理规律约束学习过程，兼具灵活性和物理可解释性。
2. 算子学习 (Operator Learning)
   通过深度神经网络学习物理过程的功能映射关系 (Function Learning → Functional Mapping)，实现对复杂物理过程的整体建模。

碰撞截面预测 (DeepCSNet)

1. 单分子模型 (DeepCSNet-SMC)
   输入规范化的碰撞参数，预测双微分截面 (DDCS)，测试集误差约为 0.04~0.08。
2. 多分子模型 (DeepCSNet-MMC)
   支持混合物情况下多分子碰撞模型预测，通过分子网络实现泛化能力，总误差约 0.05。

粒子模拟加速 (PaRO-DeepONet)

1. PaRO-DeepONet 多层网络结构
   用于取代 PIC 代码中的泊松求解器，实现对电势分布的高效预测。
2. 与其他算法对比
   提供更高精度、更平滑误差分布，尤其在三维电势扩散和二维流体模拟等算例中表现突出。

电弧等离子体模拟应用

使用算子学习加速磁流体仿真模型和 Boltzmann 方程解析。

• 流体模型参数设置
  污染物模型标准 k-ε 模型，辅以 NEC 辐射模型，并基于学习模型预测电弧参数。

• 实例应用
  自变各向导引边界温度下电子温度变化预测，混合气体比例变化下的电极临界电场强度比预估，电流控制下电弧温度演化模拟，全部结果显示了优越预测能力。

总结展望

• 基于物理信息神经网络和深度算子学习框架，在等离子体仿真中展现出高效计算和泛化能力。
• 可减少模拟计算成本，并可用于推断物理参数或操作策略，代表了等离子体建模的或潜在方向。