Icarus：物理信息驱动的热场分解与热通量预测机器学习工具集

Icarus是专注于热流体力学领域的Python机器学习库，提供从红外热成像数据到热通量预测模型的完整流程。它实现了基于本征正交分解（POD）、动态模态分解（DMD）和人工神经网络的物理信息驱动方法，在1700万样本的流动沸腾数据集上取得R²=0.729的预测性能，较线性基线提升69%。该项目开源，为研究人员和工程师提供了强大的工具。

热通量预测是热流体力学核心问题，对能源优化、电子散热等至关重要。传统侵入式测量方法有局限，红外热成像提供非侵入式温度场测量，但从温度场反演热通量是逆问题挑战。Icarus应运而生，实现Twum-Barima 2025年研究方法，提供完整物理信息驱动工具链。

Icarus实现三种特征策略：

1. 原始温度（Model A）：直接用温度数据，忽略梯度信息，预测能力有限；
2. 梯度增强（Model B）：加入温度的时间/空间梯度，利用物理直觉提升性能；
3. 模态映射（Model C，最佳）：通过POD分解温度场为主导模态，学习模态系数映射后重构热通量场，获R²=0.729的最佳性能。

Icarus采用模块化架构，关键模块包括：

• 数据加载：支持.mat/.h5/.npz等格式，灵活对接实验数据；
• 分解模块：POD（提取主导模态）、DMD（动态行为分析）；
• 特征工程：梯度计算、模态特征构造；
• 模型模块：MLP神经网络+Optuna超参数优化；
• 评估与可视化：提供R²/RMSE等指标，支持温度场/模态等可视化。

在流动沸腾数据集（1700万样本）上，三种策略性能对比：

策略	R²	提升
原始温度	基线	-
梯度增强	适度提升	中等
模态映射	0.729	+69%
Model C的显著提升验证了物理信息驱动方法的价值，通过POD提取物理相关模态，更高效捕捉温度与热通量的内在关系。

应用场景：

• 实验热流体力学：分析红外数据反演热通量；
• 能源系统优化：锅炉/换热器设计与运行优化；
• 电子散热：高功率设备散热设计；
• 化工过程：相变传热反应器优化。 局限性：
• 数据集依赖性：R²=0.729结果针对特定数据集，需独立验证；
• 模型规模：当前用scikit-learn MLP，超大规模数据需深度学习框架；
• DMD限制：仅适用于短期预测。

未来方向：

• GPU加速：加入PyTorch支持实现大规模训练；
• 预训练模型：针对特定流体开发预训练模型提升迁移能力；
• 改进DMD：集成EDMD/KDMD等变体提高预测精度。 启示：
• 领域知识重要性：物理启发的特征工程显著提升性能；
• 开源生态价值：基于NumPy/SciPy等构建，体现Python科学计算能力；
• 可重复研究：完整实现与文档支持结果复现，推动开放科学。