基于参数化物理信息神经网络的嵌入式歧管微通道散热器热流特性仿真方法和设备

本技术涉及芯片散热仿真，特别涉及一种基于参数化物理信息神经网络的嵌入式歧管微通道散热器热流特性仿真方法和设备。

背景技术：

1、随着集成电路功耗密度持续攀升，微处理器及碳化硅、氮化镓等宽禁带功率器件的热流密度已远超常规风冷能力，散热不足将直接导致结温升高、性能退化与寿命缩短。嵌入式微流冷却技术通过在芯片背部刻蚀微通道，使冷却液最大限度接近发热区域，从根本上降低热阻；其中嵌入式歧管微通道（embedded manifold microchannel，emmc）构型在维持较低压降的同时可显著强化换热。

2、目前工业界主要采用基于有限元方法的商用软件进行emmc散热器的三维共轭换热仿真。该方法对每个几何设计均需独立建立模型、划分网格并求解控制方程组；当几何参数改变时，前次计算的网格与解无法复用，需重新执行完整的建模与求解流程。对于包含多个几何参数的设计空间，需要进行大量参数组合的遍历计算。此外，基于物理信息神经网络的方法已被探索用于加速物理场仿真，现有方案在应用于几何参数可变的散热器设计时，通常采用将几何参数作为网络额外输入的方式，使单一网络尝试覆盖多个几何构型。

3、然而，上述方案在实际应用于emmc散热器的参数化仿真时仍面临诸多困难。一方面，emmc散热器涉及流体与固体耦合传热，且工作在对流主导工况下，流体域与固体域之间的导热系数差异悬殊，使得仿真过程的数值求解极为困难；另一方面，几何参数变化时，仿真对象的空间区域拓扑关系随之改变，如何使仿真模型有效适应这种几何变化是亟待解决的技术难题。因此，亟需一种能够对emmc散热器在几何设计空间内进行快速仿真的方法，以支撑面向具体应用场景的散热器定制化设计。

技术实现思路

1、鉴于上述问题，本技术实施例提供了一种基于参数化物理信息神经网络的嵌入式歧管微通道散热器热流特性仿真方法和设备，以便克服上述问题或者至少部分地解决上述问题。

2、本技术实施例的第一方面，公开了一种基于参数化物理信息神经网络的嵌入式歧管微通道散热器热流特性仿真方法，所述方法包括：

3、获取待仿真嵌入式歧管微通道散热器的几何参数和采样点的空间坐标；

4、根据所述几何参数和所述空间坐标，确定所述采样点所属的参数化子区域，并计算所述采样点在所属参数化子区域内的归一化局部坐标；

5、将所述归一化局部坐标经光滑饱和型单调映射函数变换，生成几何嵌入特征，所述几何嵌入特征用于表征所述采样点相对于参数化子区域边界的相对位置；

6、将所述几何嵌入特征与归一化后的所述几何参数和所述空间坐标拼接，构成增强输入向量；

7、将所述增强输入向量输入物理信息神经网络，得到所述采样点的物理场预测值，所述物理场预测值包括速度场、压力场和温度场；

8、根据所述物理场预测值计算控制方程残差和边界条件残差，构成复合损失函数，并基于所述复合损失函数训练所述物理信息神经网络；

9、获取目标嵌入式歧管微通道散热器的目标几何参数和目标采样点的空间坐标，并构造为目标增强输入向量，输入训练完毕的所述物理信息神经网络，得到热流特性预测结果。

10、可选地，根据所述几何参数和所述空间坐标，确定所述采样点所属的参数化子区域，并计算所述采样点在所属参数化子区域内的归一化局部坐标，包括：

11、根据所述几何参数，确定各所述参数化子区域的边界位置；

12、根据所述采样点的空间坐标与各所述参数化子区域的边界位置，确定所述采样点所属的参数化子区域；

13、获取所述采样点所属的参数化子区域在各坐标方向上的边界最小值和边界最大值，按以下公式计算所述采样点的归一化局部坐标：

14、,

15、其中，为所述采样点在第个坐标方向上的坐标值，为所述采样点在第个坐标方向上的归一化局部坐标。

16、可选地，所述光滑饱和型单调映射函数为sigmoid函数，所述几何嵌入特征按以下方式计算：

17、,

18、其中，为sigmoid函数，为尺度参数，为所述采样点在第i个坐标方向上的几何嵌入特征，为所述采样点在第个坐标方向上的归一化局部坐标。

19、可选地，根据所述物理场预测值计算控制方程残差和边界条件残差，构成复合损失函数，包括：

20、获取所述嵌入式歧管微通道散热器的流体域和固体域中的内部采样点，以及边界上的边界采样点；

21、根据所述内部采样点的所述物理场预测值，计算控制方程残差，所述控制方程残差包括：流体域的连续性方程残差、动量方程残差和流体能量方程残差，以及固体域的固体导热方程残差；

22、根据所述边界采样点的所述物理场预测值，计算边界条件残差，所述边界条件残差包括：入口边界残差、出口边界残差、加热底面边界残差、绝热顶面边界残差、对称面边界残差、流-固界面上的无滑移条件残差、流-固界面上的温度连续条件残差、流-固界面上的热流连续条件残差；

23、对所述控制方程残差和所述边界条件残差进行加权求和，构成所述复合损失函数。

24、可选地，基于所述复合损失函数训练所述物理信息神经网络的过程中，采用课程学习策略：

25、获取当前训练步数，根据所述当前训练步数确定延续因子，所述延续因子随训练步数的增加从初始值递增至目标值；

26、根据所述延续因子，调整所述复合损失函数中的物理参数，使所述物理参数从易训练值逐步过渡至目标物理值；其中，所述物理参数包括所述流体能量方程中的普朗特数，和/或，所述流-固界面热流连续条件中的导热系数比。

27、可选地，所述延续因子按以下公式确定：

28、,

29、其中，为当前训练步数，为预设的预热步数；

30、所述普朗特数按以下公式从所述易训练值过渡至所述目标物理值：

31、,

32、其中，为当前训练步数下的有效普朗特数，为普朗特数的易训练值，为目标普朗特数；

33、所述导热系数比按以下公式从所述易训练值过渡至所述目标物理值：

34、,

35、其中，为当前训练步数下的有效导热系数比，为目标导热系数比。

36、可选地，采用课程学习策略训练所述物理信息神经网络时，所述复合损失函数中的入口边界残差按以下方式组装：

37、所述入口边界残差根据延续因子按以下公式组装：

38、,

39、其中，为入口标量约束损失项，为入口通量约束损失项，为入口辅助温度约束损失项；

40、所述加热底面边界残差根据所述延续因子按以下公式组装：

41、,

42、其中，为加热底面固体侧温度约束损失项，为加热底面流体侧耦合损失项。

43、可选地，采样点在图形处理器上实时生成，包括：

44、将所述嵌入式歧管微通道散热器的流体域和固体域分别分解为多个参数化包围盒，所述参数化包围盒的边界位置由所述几何参数确定；

45、在各所述参数化包围盒内采样内部点；

46、在参数化边界面上采样边界点；

47、在流-固壁面、微通道间隙以及入口边界、出口边界处，布置比内部区域更高密度的采样点。

48、可选地，基于所述复合损失函数训练所述物理信息神经网络的过程中，采用矩阵预条件优化器更新所述物理信息神经网络的参数，并采用动态梯度归一化策略调整所述复合损失函数中各损失分量的权重。

49、本技术实施例的第二方面，公开了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本技术实施例第一方面所述的基于参数化物理信息神经网络的嵌入式歧管微通道散热器热流特性仿真方法的步骤。

50、本技术实施例包括以下优点：

51、在本技术实施例中，通过将几何参数作为网络输入的一部分，并引入几何嵌入特征来表征采样点相对于其所属子区域边界的相对位置，使物理信息神经网络经过一次训练即可覆盖由多个几何参数构成的连续几何设计空间。训练完成后，对于任意目标几何参数组合，仅需单次前向传播即可获得热流特性预测结果，无需重新建模或求解控制方程，仿真效率提升。

52、并且，通过计算采样点在所属参数化子区域内的归一化局部坐标并经光滑饱和型单调映射函数变换生成几何嵌入特征，使采样点相对于子区域边界的相对位置在嵌入空间中得到稳定表征。无论几何参数如何变化，边界、中心等关键相对位置均被映射为一致的嵌入值，网络能够在几何构型连续变化过程中稳定区分不同区域及其边界，克服了几何变化带来的学习困难，保障了在未见几何参数组合上的预测精度。

53、将几何嵌入特征与归一化后的几何参数和空间坐标拼接，构成增强输入向量输入物理信息神经网络，网络输出直接包含速度场、压力场和温度场；无需分步迭代求解流动方程与能量方程，避免了传统数值方法中分阶段误差累积，推理过程简洁高效。此外，物理信息神经网络以控制方程残差和边界条件残差构成的复合损失函数为优化目标进行训练，无需依赖有限元仿真结果等标注数据。网络在学习过程中被强制满足质量、动量和能量守恒及各类边界条件，预测结果天然符合物理规律，同时降低了对训练样本的依赖。