使用大语言模型进行气泡湍流实验数据处理Employing a large language model and a Transformer model for data analysis of turbulent bubble flow梁梓浩1 张伟2 朱兵1,*1.上海理工大学能源与动力工程学院上海 200093中国2.中国船舶及海洋工程设计研究院, 上海 200031中国引用格式Liang, Zihao, et al. Employing a large language model and a Transformer model for data analysis of turbulent bubble flow. Physics of Fluids 38 (2026): 045108.导读本文提出了一种将大语言模型Time-LLM与Transformer模型有机结合的复合框架用于处理气泡两相流热膜测量中的信号干扰问题。该方法首先通过Time-LLM将热膜信号重编程为自然语言表示并借助精心设计的提示词激活模型的领域推理能力实现对气泡干扰信号的高精度识别召回率约88%随后利用Transformer模型对识别出的气泡占据区间进行高质量的上下文感知修复R²0.9788。能谱分析进一步揭示修复后信号的湍流标度指数约为−3明显偏离经典Kolmogorov −5/3定律与已有文献高度吻合从物理层面交叉验证了方法的有效性。该工作是将LLM信号重编程框架引入流体力学实验数据处理领域为气泡流测量的智能化预处理提供了一套高效、轻量且物理自洽的新工具。一、研究背景在气泡两相流的实验研究中热膜探针因其高时间分辨率而被广泛用于湍流速度场的测量然而这一优势背后潜藏着一个长期困扰研究者的系统性难题当气泡碰触探针时液气介质的突变会在信号中留下剧烈的电压尖峰这类气泡干扰信号若不加以处理将直接污染后续的湍流统计分析。传统的阈值截断或手工标注方法鲁棒性差而CNN、LSTM等深度学习模型虽在时序特征提取上有所建树但在召回率和跨工况泛化能力上仍存在明显短板尤其在气泡信号形态随流量条件发生变化时模型往往出现漏检或误判。与此同时近年来大语言模型在自然语言处理领域的强大推理与少样本泛化能力以及Transformer架构在时间序列缺失值填充任务中展现出的优异性能共同启发了该研究团队将二者引入流体力学信号处理领域的构想由此推动了本项工作的开展。二、实验装置为获取真实的气泡诱导湍流信号研究团队搭建了一套精密的两相流测量系统实验容器为直径50 cm、高120 cm的透明亚克力圆柱体底部中心安装了直径1.2 cm、孔隙率20%的多孔喷嘴以产生分散气泡群气体流量由经标定的质量流量控制器在0~4 L/min范围内精确调节。测量核心是一套自主研制的组合探针同时集成了两根气液光纤探针与一根热膜探针当探针尖端接触气泡时光强突变和电压脉冲信号随即被数据采集卡记录并传输至计算机端。实验采样频率为10 kHz每个测点的单次测量时长约5分钟覆盖了不同高度、水平位置和气体流量等多种工况为后续模型训练与泛化能力验证提供了充分的数据支撑。三、气泡信号识别与修复方法该研究提出的方法框架分为识别与修复两个串联模块整体流程简洁高效图1所示首先对热膜信号进行采集与预处理随后分别送入识别模型和修复模型独立训练最终在推断阶段由Time-LLM输出气泡区间的二值掩码再将掩码与原始信号共同输入Transformer模型完成缺失段的修复重建。Time-LLM框架的核心在于其Patch重编程模块它将热膜信号切分为长度200、步长50的重叠片段通过多头交叉注意力机制与BERT模型的预训练词嵌入对齐实现时间序列模态向自然语言模态的精准映射与此同时包含数据集背景描述、任务指令和信号动态统计量最小值、趋势、持续时长等的三段式提示词作为前缀输入有效激活了LLM对气泡信号形态的物理推理能力而BERT骨干参数在训练中全程冻结仅更新嵌入层、重编程层和分类头大幅降低了计算开销。图2所示Transformer修复模型则以热膜信号和掩码为联合输入采用六层解码器结构捕获信号的长程依赖关系并通过间隙加权MSE损失、全局连续性损失与梯度连续性损失构成的三重复合目标函数在保证局部重建精度的同时兼顾了修复段整体形态一致性和边界过渡的平滑性。图1 Time-LLM框架图2 Transformer 框架四、实验结果与分析在不同流量条件Q 1、2、4 L/min的系统对比实验中Time-LLM在气泡信号识别的召回率指标上以约88%的成绩明显超越CNN约50%和LSTM约70%综合性能最优充分证明了LLM强大的序列推理能力在流体信号识别任务中的适用性。研究团队还专门设计了有无提示词的对比实验结果清晰地表明在无提示词的情况下模型在气泡事件的前后边界处出现剧烈的决策震荡单个气泡信号被错误拆分为多段并存在明显的检测滞后而加入包含物理先验知识与信号统计特征的提示词后模型展现出近似领域专家的判断水平能够连续、准确地辨别完整的气泡诱导事件与湍流背景识别的鲁棒性和边界精度均得到显著改善。图3 不同流量条件下CNN、LSTM和Time-LLM性能指标对比(a) Q 1L/min(b) Q 2 L/min(c) Q 4 L/min在信号修复方面Transformer模型在Q 1 L/min条件下实现了R² 0.9788、MAE 0.0159、MSE 0.0005的高精度重建误差分布高度集中于零附近修复段与原始信号的首尾边界过渡自然无可见的阶跃或不连续现象在Q 2和4 L/min条件下各项指标同样维持在相近的高水平表明该修复方法在不同流量工况下具有稳定的修复的能力与物理一致性。图4 不同流量条件下Transformer模型的性能对比(a) Q 1L/min(b) Q 2 L/min(c) Q 4 L/min。五、能谱分析−3标度律的物理发现对识别和修复处理后的信号研究团队采用Welch方法配合Hanning窗估计功率谱密度并在对数坐标系下通过线性最小二乘拟合确定惯性子区的标度指数结果显示气泡诱导湍流的能谱标度指数约为−3显著偏离经典Kolmogorov各向同性湍流的−5/3定律。这一偏差揭示了气泡引入对湍流能量级联过程的深刻影响气泡的存在破坏了流场的局部各向同性改变了湍动能在不同尺度间的传递机制使得能量分布规律与纯液相湍流产生本质差异。更为重要的是该−3标度特征在五组不同气体空隙分数的实验数据中均呈现出高度一致性与Prakash等人2016的经典研究结果相互印证不仅从物理层面交叉验证了本文识别-修复方法的可靠性也证明了处理后的信号保留了气泡诱导湍流分析所必需的关键统计特征为后续深入研究气泡-湍流相互作用的动力学机制提供了高质量的数据基础。图5 湍流泡状流的能六、结论与展望本研究构建了一套将Time-LLM与Transformer有机融合的气泡信号智能识别-修复框架是首次将LLM信号重编程技术引入热线风速仪数据处理领域的探索性工作。通过在语言空间中实现时序模态的精准对齐以及三重复合损失函数对信号修复的多目标约束该方法在气泡识别召回率、修复精度和跨工况泛化能力上均超越了普通的模型同时因冻结LLM骨干参数的设计而保持了较低的训练成本兼具准确、高效与轻量的工程实用特性。能谱分析揭示的−3湍流标度律既丰富了对气泡诱导湍流物理机制的认识也为方法的物理一致性提供了独立验证。后续工作将进一步考察该方法在更高气体空隙分数及不同流动条件下的适用性以完善其作为热膜测量预处理工具的通用性。原文下载https://doi.org/10.1063/5.0318329https://mp.weixin.qq.com/s/jkehaWZ4FagdfT7QA6T67A注文章由原作者投稿分享向本公众号授权发布。