Generative modeling of granular flow on inclined planes using conditional flow matching
作者: Xuyang Li, Rui Li, Teng Man, Yimin Lu
分类: cs.CE, cs.LG
发布日期: 2026-04-07
💡 一句话要点
提出基于条件流匹配的生成模型，用于倾斜面上颗粒流的内部运动学重建。
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 颗粒流 条件流匹配 生成模型 逆问题 离散元模拟 稀疏重建 梯度引导
📋 核心要点
- 颗粒流内部力学特性难以观测，传统数值模拟计算成本高，确定性模型易过度平滑。
- 利用条件流匹配（CFM）构建生成模型，通过可微前向算子和梯度引导实现精确重建。
- 实验表明，该模型能从稀疏数据准确恢复内部流场，优于确定性CNN，并提供不确定性估计。
📝 摘要（中文）
颗粒流在自然和工业过程中普遍存在，但其内部运动学和力学特性难以观测，实验通常只能获取边界或自由表面信息。传统的数值模拟计算成本高昂，难以进行快速逆重建，而确定性模型在病态设置下容易坍塌为过度平滑的平均预测。本研究提出了首个基于条件流匹配（CFM）的框架，用于从稀疏边界观测重建颗粒流。该生成模型在高保真粒子离散元模拟数据上训练，并在推理时通过可微前向算子和稀疏感知梯度引导机制进行引导，从而在无需超参数调整的情况下强制测量一致性，并防止非物质区域出现不合理的预测速度。物理译码器将重建的速度场映射到应力状态和能量波动量，包括平均应力、偏应力和颗粒温度。该框架能够从完整观测到仅16%的信息窗口准确恢复内部流场，并且在空间分辨率严重稀释（仅11%的数据）的情况下仍然有效。在最不适定的重建情况下，该方法优于确定性CNN基线，并通过集成生成提供空间分辨的不确定性估计。这些结果表明，条件生成模型为颗粒介质中隐藏的体积力学的非侵入式推断提供了一种实用途径，并且具有更广泛的适用于颗粒和多相系统中的逆问题。
🔬 方法详解
问题定义：论文旨在解决从稀疏边界观测中重建颗粒流内部运动学和力学信息的难题。现有数值模拟方法计算成本高昂，不适用于快速逆重建。确定性模型在病态条件下容易产生过度平滑的预测，无法准确反映颗粒流的真实状态。因此，需要一种高效且准确的方法来推断颗粒流的内部信息。
核心思路：论文的核心思路是利用条件生成模型，特别是条件流匹配（CFM），来学习颗粒流的先验知识。通过在高保真离散元模拟数据上训练生成模型，使其能够根据稀疏的边界观测生成可能的内部流场。关键在于使用可微的前向算子和稀疏感知梯度引导机制，确保生成的流场与观测数据一致，并避免产生不合理的物理预测。
技术框架：该框架包含以下主要模块：1) 基于离散元模拟生成颗粒流数据；2) 使用CFM训练生成模型，学习颗粒流的先验分布；3) 构建可微的前向算子，将生成的流场映射到观测空间；4) 使用稀疏感知梯度引导机制，根据观测数据调整生成的流场；5) 使用物理译码器，将重建的速度场映射到应力状态和能量波动量。整体流程是从稀疏观测出发，通过生成模型和梯度引导，逐步逼近真实的内部流场。
关键创新：该论文的关键创新在于将条件流匹配（CFM）应用于颗粒流重建问题，并提出了稀疏感知梯度引导机制。CFM能够学习复杂的数据分布，生成逼真的流场。稀疏感知梯度引导机制能够有效地利用稀疏的观测数据，避免过度拟合，并防止非物质区域出现不合理的预测。此外，使用物理译码器将速度场映射到应力状态和能量波动量，提供了更丰富的物理信息。
关键设计：论文使用了基于神经网络的CFM模型，具体网络结构未知。损失函数包含流匹配损失和观测一致性损失。稀疏感知梯度引导机制通过对梯度进行加权，降低非物质区域的梯度影响。物理译码器可能基于已知的物理关系或额外的神经网络进行训练。具体的参数设置和网络结构细节未知。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该框架能够从仅16%的信息窗口准确恢复内部流场，并且在空间分辨率严重稀释（仅11%的数据）的情况下仍然有效。在最不适定的重建情况下，该方法优于确定性CNN基线，并提供了空间分辨的不确定性估计。这些结果突出了该方法在稀疏数据和病态条件下的鲁棒性和准确性。
🎯 应用场景
该研究成果可应用于诸多领域，如地质灾害预测（滑坡、泥石流）、工业颗粒物料输送优化、以及药物颗粒制备等。通过非侵入式地推断颗粒流内部力学信息，可以更准确地预测灾害发生，优化工业流程，并为新材料设计提供指导。未来，该方法有望扩展到其他多相流系统，解决更复杂的逆问题。
📄 摘要（原文）
Granular flows govern many natural and industrial processes, yet their interior kinematics and mechanics remain largely unobservable, as experiments access only boundaries or free surfaces. Conventional numerical simulations are computationally expensive for fast inverse reconstruction, and deterministic models tend to collapse to over-smoothed mean predictions in ill-posed settings. This study, to the best of the authors' knowledge, presents the first conditional flow matching (CFM) framework for granular-flow reconstruction from sparse boundary observations. Trained on high-fidelity particle-resolved discrete element simulations, the generative model is guided at inference by a differentiable forward operator with a sparsity-aware gradient guidance mechanism, which enforces measurement consistency without hyperparameter tuning and prevents unphysical velocity predictions in non-material regions. A physics decoder maps the reconstructed velocity fields to stress states and energy fluctuation quantities, including mean stress, deviatoric stress, and granular temperature. The framework accurately recovers interior flow fields from full observation to only 16% of the informative window, and it remains effective under strongly diluted spatial resolution with only 11% of data. It also outperforms a deterministic CNN baseline in the most ill-posed reconstruction regime and provides spatially resolved uncertainty estimates through ensemble generation. These results demonstrate that conditional generative modeling offers a practical route for non-invasive inference of hidden bulk mechanics in granular media, with broader applicability for inverse problems in particulate and multiphase systems.