非标设备的热力耦合分析面临几何构型多变、边界条件不确定、计算时效性要求高等多重挑战，传统有限元方法在网格划分与迭代求解上的算力开销难以满足在线评估需求。本文将神经运算符引入非标设备温度场快速求解，在无需网格重划的前提下逼近偏微分方程的解空间，同时实现材料热物性参数的反演估计。数值实验表明，神经运算符的求解速度较有限元方法提升三个数量级，精度满足工程要求，为解决非标设备热分析中的实时性瓶颈提供了可行路径。
一、引言
温度场分析是非标设备设计验证与运行监控中的基础性工作。无论是焊接工艺的热影响区评估、电机绕组的温升预测，还是高温环境下的结构热变形计算，都需要求解热传导偏微分方程。对于几何构型规则、材料属性固定的情况，有限元法已经提供了成熟可靠的求解方案。然而在非标设备场景下，有限元法的适用性受到严峻挑战，这些挑战并非有限元法本身的问题，而是非标场景的固有特性与有限元法的基本假设之间的不匹配。
挑战主要来自三个方面，每个方面都指向同一个核心矛盾——有限元法的精度优势建立在充分的建模时间之上，而非标场景恰恰不允许这种时间投入。几何构型的多样性意味着每个新产品都需要重新进行几何建模和网格划分，这一过程的时间成本往往超过求解器本身的计算时间，对于在线评估需求而言不可接受。边界条件的不确定性来源于实际运行环境中对流换热系数、热流密度等参数的随机波动，传统方法通常采用保守的包络值设计，导致分析结果偏于保守、优化空间不足。在线实时评估需求则直接冲击有限元法的根本——其网格迭代求解的时间尺度以分钟甚至小时计，与产线实时监控的秒级响应需求存在数量级上的鸿沟。
近年来兴起的神经运算符方法提供了一种全新的求解范式。与传统神经网络学习输入输出样本之间的映射不同，神经运算符学习的是函数空间之间的映射——即从偏微分方程的输入函数空间到输出解空间的映射。这意味着经过训练后，对于任意新的输入函数，神经运算符可在毫秒级时间内直接输出对应的解，完全绕过了传统的网格迭代过程。这种将物理规律编码进神经网络参数的方法，本质上是在数据中嵌入了一种“物理直觉”——网络不进行显式的物理推理，但其前向传播过程产生的输出在统计意义上逼近了物理方程的解。
二、神经运算符基本原理与架构选择
神经运算符的理论基础是算子学习理论。考虑一个参数化偏微分方程，其解u依赖于参数函数a和源项f。传统数值方法为每个新的a和f重新求解方程，而神经运算符直接学习映射。一旦训练完成，映射的评估仅需一次前向传播，计算成本与网格分辨率近似线性关系而非传统方法中的超线性关系。
在多种神经运算符架构中，本文选择傅里叶神经运算符作为基础架构，原因在于热传导方程在频域中具有简洁的表达形式。傅里叶神经运算符的核心操作是傅里叶变换层，它将输入函数变换到频域，在频域中应用可学习的线性变换后再逆变换回时域。这种架构天然适合表征偏微分方程解的光滑性，且对输入分辨率具有置换不变性——训练时使用的网格分辨率与推理时可以不同，这一特性对于非标设备的多变几何尤其重要。
网络输入包含热源分布、材料热物性参数、初始条件和边界条件。对于非标设备常见的复杂几何形状，采用隐式几何表示方法，将几何信息编码为符号距离函数并与温度场共同输入网络。符号距离函数在每个空间点取值为该点到几何边界的带符号距离，正值在几何内部，负值在外部。这种表示方式与网格无关，使网络能够适应任意形状的几何输入。输出为整个求解域上的温度分布场。
训练数据由有限元求解器生成，覆盖各种工况组合和几何构型，旨在使网络学习到尽可能广泛的解空间变化。训练完成后，神经运算符的推理过程完全独立于有限元求解器，可在边缘端部署。值得注意的是，训练阶段的有限元计算是一次性投入——一旦网络训练完成，便可应用于任意新输入的推理，而无需再次调用有限元求解器。
三、超参数反演与不确定性量化
神经运算符的第二项功能是实现材料热物性参数的反演估计。在实际产线中，材料的热导率、比热容和表面换热系数往往无法精确获知——供应商提供的参数手册值通常偏离实际值，而实验室测量又需要停机取样。传统方法需通过实验标定或保守假设，两者都不令人满意。
本方法利用神经运算符的可微性，将反演问题转化为优化问题。具体做法为：将待反演参数设为可训练变量，固定神经运算符的所有网络参数，以神经运算符预测的温度场与传感器实测温度场之间的均方误差为损失函数，通过梯度下降优化待反演参数。由于神经运算符的前向传播完全可微——这是其相对于传统有限元求解器的一个重要优势——这一优化过程可在数秒内完成，远快于基于有限元的迭代反演。
反演结果与实验室标准测试法的对比表明，热导率反演误差在百分之五以内，对流传热系数反演误差在百分之八以内。精度虽不及实验室标准测试法，但考虑到现场无需停机、无需取样、即时获得结果的优势，这一精度在工程上具有实用价值。更重要的是，反演结果反映的是设备在实际运行工况下的有效参数值，而非实验室理想条件下的材料本征值，前者对于设备状态评估往往更具参考意义。
为量化反演结果的不确定性，采用蒙特卡洛丢弃法在推理阶段进行多次随机前向传播——每次前向传播中随机丢弃网络的部分神经元，获得多个略有差异的温度场预测结果。这些结果的统计离散度作为预测置信区间的估计。这一不确定性信息可直接服务于工程决策：当预测置信区间过宽时，提示需补充传感器测量点或优化传感器布局；当置信区间集中在预警阈值附近时，触发更详细的诊断分析。
四、工程验证与部署策略
在某非标真空炉设备上进行了工程验证。该设备用于航空航天零件的真空钎焊，工作温度最高达一千二百摄氏度。炉内温度场的均匀性直接影响钎焊质量——温度偏差过大会导致焊料流动不均匀和接头强度不足——但炉内空间狭小、传感器布点受限，传统方法难以获得全场温度分布。
在炉膛内布置了十二个热电偶作为实测参考点，同时使用红外热像仪获取炉壁温度分布。以这些稀疏测量数据为输入，神经运算符重构出整个炉膛的三维温度场。与后续停机冷却后在炉膛内临时布置的四十八点热电偶阵列测量结果对比，神经运算符重构的平均绝对误差为六点三摄氏度，最大误差为十五点八摄氏度，相对于一千二百摄氏度的测量范围，精度满足工艺分析需求。误差主要分布在炉膛角落和加热元件附近——这些区域的温度梯度大，稀疏传感器的约束能力有限。
推理速度方面，在标准工业个人计算机上单次温度场预测耗时四十三毫秒，而同等精度的有限元分析需要约四十分钟。速度提升超过五千倍，这一数量级的差异使温度场分析从离线设计工具转变为在线监控手段成为可能。基于此速度优势，将神经运算符模型部署至产线的边缘计算设备，实现了每分钟一次的全场温度场实时更新，为真空钎焊工艺的闭环控制提供了可能。
部署策略方面，采用了“云端训练、边缘推理”的模式。训练阶段在云端利用高性能计算集群完成，生成的模型权重文件约二百兆字节，通过加密通道下发至各产线边缘设备。边缘设备每五分钟接收一次传感器数据包，运行推理并上传温度场分析结果至产线监控系统。当模型精度因设备老化或工况漂移而下降时，边缘设备自动触发在线微调——以最近的传感器数据为监督信号，对模型进行少量步数的梯度更新，无需重新训练。
五、结论与展望
神经运算符为非标设备温度场分析提供了突破性的效率提升。将偏微分方程的求解从迭代计算转化为网络前向传播，使原本离线批处理的分析任务具备了在线实时能力。这一转变的核心价值在于将热分析从“设计阶段的验证工具”扩展为“运行阶段的监控手段”，从而在设备全生命周期中持续发挥温度场信息对操作决策的指导作用。
未来的工作方向包括：将神经运算符推广至更复杂的多物理场耦合问题，例如热-力-流场的联合求解；探索神经运算符与贝叶斯推断的结合，实现更严格的反演不确定性量化；以及开发基于神经运算符的闭环温度控制系统，使温度场预测直接驱动加热功率调节。
中研高科教育
