一种基于多阶时间编码与物理动态反馈的瞬态图神经网络多物理场预测方法

本技术涉及物理场预测，尤其涉及一种基于多阶时间编码与物理动态反馈的瞬态图神经网络多物理场预测方法。

背景技术：

1、在大型电力装备（如换流变压器）的瞬态运行过程中，温度场与流体场的实时演化预测是保障安全运行的核心需求。传统基于计算流体力学（cfd）或有限元（fem）的数值求解方法虽具备物理严谨性，但因依赖高密度时域迭代，计算开销巨大，难以支撑数字孪生系统对毫秒级响应的实时性要求。近年来，图神经网络（gnn）作为物理场代理建模的新兴手段，被用于加速预测过程，其在空间拓扑建模与数据驱动推理方面展现出潜力，逐步成为替代高保真仿真的一种可行路径。

2、然而，现有gnn代理模型在工业级长时推演中面临‌自回归误差累积导致长期预测失真‌，模型采用单步监督训练，在多步递推中微小预测偏差随时间迭代非线性放大，致使中后期温度与流速场预测严重偏离真实物理轨迹，丧失工程可用性；‌热流耦合动态反馈缺失引发物性失配‌，模型将冷却介质的导热系数、粘度、比热容等关键物性参数视为静态常量，未随局部温度场实时重构，破坏了热-流-物性之间的非线性耦合闭环，导致能量守恒与动量传递机制在时序推进中持续偏离真实物理规律。

技术实现思路

1、本技术提供一种基于多阶时间编码与物理动态反馈的瞬态图神经网络多物理场预测方法，以解决现有方案存在回归误差累积导致长期预测失真、‌热流耦合动态反馈缺失引发物性失配的问题。

2、本技术提供了一种基于多阶时间编码与物理动态反馈的瞬态图神经网络多物理场预测方法，方法包括：

3、在预设工况参数空间内进行均匀采样，生成多组运行工况边界条件矩阵；针对每组运行工况，设定由时间节点组成的龙骨序列和随机序列，合并获得非均匀时间步长序列；

4、依据工况边界条件矩阵与非均匀时间步长序列执行瞬态多物理场仿真计算，获得空间静态几何网格拓扑和各时间节点下与几何网格拓扑中各空间网格节点一一对应的全局瞬态物理场快照；其中，全局瞬态物理场快照包含各全网格节点的物理场数据；

5、将几何网格拓扑中的空间网格节点映射为图节点；将物理场数据涉及的预设材质属性转换为材质独热编码矩阵；基于材质独热编码，执行通道索引执行条件判定，生成图节点对应的流体节点二值掩码向量和核心发热源节点二值掩码向量；

6、对物理场数据进行特征提取，获得各图节点对应的空间基底特征矩阵；采用自适应半径划分算法，采集各图节点对应局部子图，构建子图集合；基于图节点的具体类型确定对应的采样权重系数；基于采样权重系数，从子图集合中批次读取局部子图；

7、设定连续推演步数，针对当前批次读取的局部子图，基于当前推演步索引，利用对应的非均匀时间步长序列，计算多阶时间差分张量；将多阶时间差分张量输入物理引导时间编码器，输出时域上下文嵌入向量矩阵；

8、提取上一时刻和上上时刻的绝对温度状态向量，与空间基底特征矩阵、时域上下文嵌入向量矩阵拼接组成时空联合特征矩阵；

9、将时空联合特征矩阵输入温度预测图神经网络，输出各图节点的残差温度增量预测值向量；

10、对残差温度增量预测值向量和上一时刻的绝对温度状态向量执行逐节点元素级相加，计算得到当前推演步的绝对物理温度向量；

11、利用绝对物理温度向量和流体节点二值掩码向量，计算下一时间步时空联合特征矩阵涉及的动态热物性参数；获得连续推演步数对应的残差温度增量预测值向量；

12、利用核心发热源节点二值掩码向量构建全图空间节点损失权重矩阵；

13、基于连续推演步数对应的残差温度增量预测值向量、全图空间节点损失权重矩阵，构建时空复合损失函数；利用时空复合损失函数，联合更新物理引导时间编码器和温度预测图神经网络。

14、在本技术的一种实现方式中，在预设工况参数空间内进行均匀采样，生成多组运行工况边界条件矩阵；针对每组运行工况，设定龙骨序列和随机序列，合并获得非均匀时间步长序列，具体包括：

15、采用拉丁超立方抽在预设的多物理场运行工况参数空间内进行抽样，获取涵盖初始发热功率、目标功率以及初始环境温度的多组参数组合，构建工况边界条件矩阵

16、针对每组运行工况，设定包含个固定物理时间戳的龙骨序列;

17、在预设仿真时间域内剔除龙骨序列时间戳后的候选时间区间中，随机抽取个时间节点生成随机序列，将龙骨序列与随机序列合并并按升序排列，生成离散点总数为的工况专属非均匀时间步长序列。

18、在本技术的一种实现方式中，依据工况边界条件矩阵与非均匀时间步长序列执行瞬态多物理场仿真计算，获得空间静态几何网格拓扑和各时间节点下与几何网格拓扑中各空间网格节点一一对应的全局瞬态物理场快照，具体包括：

19、调用多物理场仿真求解器，依据工况边界条件矩阵与非均匀时间步长序列执行瞬态多物理场仿真计算；导出空间静态几何网格拓扑，提取全网格节点空间坐标与网格单元拓扑连接关系；同时导出各时间节点下与各空间网格节点一一对应的全局瞬态物理场快照。

20、在本技术的一种实现方式中，对物理场数据进行特征提取，获得各图节点对应的空间基底特征矩阵；采用自适应半径划分算法，采集各图节点对应局部子图，构建子图集合；基于图节点的具体类型确定对应的采样权重系数，具体包括：

21、提取图节点的静态物理与几何属性，组装构建18维空间基底特征矩阵，具体维度构成包括：

22、节点归一化空间坐标，占2维；

23、归一化初始热物性参数，占4维；

24、基准工况下的稳态流场速度幅值，占1维，作为对流传热拓扑约束；

25、依据工况边界条件矩阵映射至当前节点的源项发热功率，占1维；

26、以及各图节点对应的材质独热编码矩阵；

27、采用自适应半径划分算法，以全图各个节点为中心节点，选取空间截断半径内的邻域节点集合构建局部子图，生成子图集合；

28、将具体类型为预设普通节点的图节点的基准采样权重设定为第一预设值，将具体类型为预设中心节点的图节点的基准采样权重设定为第二预设值；其中，第二预设值大于第一预设值。

29、在本技术的一种实现方式中，根据当前推演步索引，利用对应的非均匀时间步长序列，计算多阶时间差分张量；将多阶时间差分张量输入物理引导时间编码器，输出时域上下文嵌入向量矩阵，具体包括：

30、根据当前推演步索引，从从时间步长序列中读取连续四个离散时间戳，作差计算多阶标量时间间隔：

31、当前推进时间步长：；

32、一阶历史时间步长：；

33、二阶历史时间步长：；

34、将三个标量时间间隔组合为3维时域向量，并沿图节点维度进行广播复制扩展，生成形状为的多阶时间差分张量，其中为当前子图中的节点数量；

35、将多阶时间差分张量输入物理引导时间编码器中输出与节点数量匹配的16维时域上下文嵌入向量矩阵。

36、在本技术的一种实现方式中，提取上一时刻和上上时刻的绝对温度状态向量，与空间基底特征矩阵、时域上下文嵌入向量矩阵拼接组成时空联合特征矩阵，具体包括：

37、提取上一时刻的全图节点绝对温度状态向量以及上上时刻的历史绝对温度状态向量；

38、将空间基底特征矩阵与状态向量及沿特征维度进行横向拼接，构建空间节点状态特征矩阵；

39、再将特征矩阵与时域上下文嵌入向量矩阵沿特征维度进一步横向拼接，组装生成时空联合特征矩阵。

40、在本技术的一种实现方式中，将时空联合特征矩阵输入温度预测图神经网络，输出各图节点的残差温度增量预测值向量，具体包括：

41、将时空联合特征矩阵送入温度预测图神经网络；其中，温度预测图神经网络由多层图注意力模块串联并结合残差连接构成，以包含归一化空间距离与边界类型的图边属性作为注意力权重调节先验，通过多头注意力机制在拓扑邻域内聚合空间物理交互信息，经输出层线性映射输出在当前时间步长驱动下的各节点残差温度增量预测值向量。

42、在本技术的一种实现方式中，对残差温度增量预测值向量和上一时刻的绝对温度状态向量执行逐节点元素级相加，计算得到当前推演步的绝对物理温度向量，具体包括：

43、将预测输出的残差温度增量向量与上一时刻的绝对温度状态向量执行逐节点元素级相加，计算得到当前推演步的绝对物理温度向量；

44、对中各节点的温度值施加预设物理安全边界截断，将温度值限制在物理允许的数值区间内。

45、在本技术的一种实现方式中，利用绝对物理温度向量和流体节点二值掩码向量，计算下一时间步时空联合特征矩阵涉及的动态热物性参数；获得连续推演步数对应的残差温度增量预测值向量，具体包括：

46、利用流体节点二值掩码向量索引筛选出流体介质对应的节点子集及截断后的当前绝对物理温度向量；

47、将绝对物理温度向量代入预设动态热物性参数：

48、导热系数：；

49、比热容：；

50、密度：；

51、动力粘度：。

52、在本技术的一种实现方式中，基于连续推演步数对应的残差温度增量预测值向量、全图空间节点损失权重矩阵，构建时空复合损失函数；利用时空复合损失函数，联合更新物理引导时间编码器和温度预测图神经网络，具体包括：

53、基于步对应的残差温度增量预测值向量与空间权重矩阵，构建兼顾温度变化率与全局绝对状态的时空复合损失函数：

54、；

55、式中，为图节点总数，为第个图节点的空间权重系数，与分别为第步第个图节点的残差温度增量预测向量与仿真真实值，与分别为第步第个图节点的绝对温度预测向量与仿真真实值，与为损失项平衡系数；

56、采用梯度反向传播算法计算复合损失关于模型参数的梯度，同步联合更新物理引导时间编码器与温度预测图神经网络的网络权重参数，直至模型在验证集上达到预设收敛状态，完成模型训练。

57、从以上技术方案可以看出，本技术具有以下优点：

58、通过引入多阶时间差分张量与物理引导时间编码器，本方法在每一推演步中显式建模时间演化的历史依赖关系，而非依赖单步监督的局部预测。结合上一时刻与上上时刻的绝对温度状态向量，构建时空联合特征矩阵，使模型在预测残差增量时具备对时序趋势的全局感知能力。阻断了微小预测偏差在多步递推中的非线性放大路径，确保温度场与流速场在长时推演过程中始终沿真实物理轨迹演化，克服了传统gnn代理模型因误差累积导致的中后期失真问题，增强预测结果的工程可信度。

59、基于当前推演步的绝对物理温度向量，结合流体节点二值掩码向量，实时计算下一时间步的导热系数、粘度与比热容等热物性参数，使物性参数随局部温度场动态重构。该机制重建了热传递、流体动力学与材料物性之间的非线性反馈闭环，确保在每一时间步中，能量守恒方程与动量方程均基于真实瞬态物性条件求解。相较静态物性假设，消除因物性失配引发的物理机制漂移，使多物理场耦合过程严格遵循真实热力学与流体力学规律。

60、通过核心发热源节点二值掩码向量构建全图空间节点损失权重矩阵，本方法对高热流密度区域赋予更高优化权重，实现损失函数在空间维度上的自适应聚焦。同时，基于连续推演步数的残差温度增量预测值向量构建时空复合损失函数，联合优化物理引导时间编码器与温度预测图神经网络，使模型在时序维度上同步学习误差传播规律与物理约束。该机制确保训练过程不依赖外部实验数据，仅通过内部物理一致性约束即可驱动网络参数收敛，提升模型在复杂工况下的泛化能力与预测稳定性。