近日，上海理工大学理学院变换热学、统计物理与复杂系统研究中心黄吉平教授课题组与中国工程物理研究院研究生院等单位合作，在流体动力学超构材料与机器学习交叉领域取得新进展：提出并实验验证了基于各向异性流体超构材料壳层的“隐身传感”机制，首次在存在渗透率失配的情况下，实现了无失真的高保真流场压力测量。相关研究成果以“Invisible Hydrodynamic Sensing via Metamaterial Shells Optimized by Machine Learning”为题，于2026年2月16日发表于《Advanced Materials》(2024影响因子：26.8)。上海理工大学理学院为该论文的共同通讯单位。
图：流体力学隐身传感的理论概念与机器学习逆向设计框架。 a, 二维流场传感器理论模型示意图。 b, 宏观实验平台与微观结构示意图。 c, 机器学习（MLP）逆向设计架构。 d, 压力梯度分布的定量验证。
高保真的流场映射是微流控诊断、生物医学分析（如靶向药物输送）和环境自动化监测等先进技术的基石。然而，传统流体传感领域长期面临一个基础性物理悖论：测量行为本身（即将传感器作为异物引入流场）不可避免地会改变被测物理量。当传统传感器的渗透率与周围环境不匹配时，会引起局部压力场畸变和流线偏折，导致收集到的数据反映的是受干扰后的流场，而非真实的无干扰流场，这从根本上限制了测量的准确性和系统的鲁棒性。虽然基于超构材料的外部场屏蔽技术为实现“隐身”包裹提供了可能，但面对高维度、强非线性的结构参数空间，传统依赖解析模型和“试错法”的实验手段效率极低，成为了阻碍下一代高性能流体传感设备研发的瓶颈。
针对上述挑战，研究团队建立了一个融合流体力学理论与深度学习的数据驱动逆向设计框架，实现了流体力学传感的“内部高保真探测”与“外部非侵入隐身”。在理论层面，团队基于低雷诺数下的达西定律（Darcy's law）和散射相消理论，推导了实现完美流场匹配所需的各向异性渗透率严格约束条件。为解决微观几何不对称性带来的多维设计壁垒，研究引入多层感知机（MLP）深度神经网络，通过对海量仿真数据进行训练，实现了从“目标理论渗透率”到“椭圆柱多孔微观结构参数”的高通量精准逆向映射，渗透率预测误差被控制在1%以内。宏观微流控实验平台及粒子图像测速技术（PIV）证实，由机器学习逆向设计的超构壳层在宏观上抹平了传感核心带来的流场扰动，背景流场中的等压线被完美恢复为平直状态。这意味着传感器在压力场中实现了真正的“物理隐身”，从而能够准确读取真实的背景流场信息。
该研究在流场中实现了传感器对外部环境的“零干扰”与对内部信号的“高保真探测”，并引入数据驱动的逆向设计框架，解决了各向异性流体超构材料微观结构设计的复杂问题。更重要的是，基于控制方程的数学同构性，这一“物理理论+数据驱动”的数字设计蓝图可无缝推广至稳态热学、声学以及准静态电磁学等领域，为研发热不可见传感器、非侵入式声呐探测器及智能化自适应超构材料奠定了坚实基础。
论文地址： https://doi.org/10.1002/adma.202519721