Bubbleformer：基于Transformer的沸腾预测模型

摘要

沸腾作为一种固有的混沌多相过程，在能源与热力系统中具有核心地位，其建模始终是神经偏微分方程代理模型面临的重大挑战。现有模型在推理时需要未来输入（如气泡位置），因为它们无法从历史状态学习成核过程，这限制了自主预测沸腾动力学的能力。这些模型还无法准确模拟流动沸腾速度场，其中尖锐的界面-动量耦合需要长程和方向性的归纳偏置。

方法创新

本研究提出Bubbleformer——基于Transformer的时空模型，能够在不依赖推理阶段仿真数据的情况下，稳定预测长程沸腾动力学（包括成核、界面演化和传热过程）。该模型整合了以下关键技术：

• 因子化轴向注意力机制
• 频率感知缩放技术
• 热物理参数条件化处理 使模型能够泛化到不同流体、几何结构和运行条件。

评估体系

针对混沌系统的物理保真度评估，提出了可解释的基于物理学的度量标准，用于评估：

• 热通量一致性
• 界面几何特性
• 质量守恒特性

数据集发布

同步发布BubbleML 2.0高精度数据集，涵盖：

• 多种工质（低温流体、制冷剂、电介质）
• 沸腾配置（池沸腾和流动沸腾）
• 流型（气泡流、弹状流、环状流）
• 边界条件

性能表现

Bubbleformer在两相沸腾流的预测和预报方面建立了新的基准性能，为热流体系统的高精度模拟提供了突破性解决方案。