近日，复旦大学物理学系黄吉平教授课题组联合上海理工大学物理学院、新加坡国立大学等研究人员，在流体力学超构材料与机器学习交叉方向取得新进展。研究团队提出一种由机器学习引导的可编程流体力学隐身策略，使多孔介质中的“隐身斗篷”不再只能适配一种固定环境，而是可以根据背景渗透率的变化切换到相应状态，恢复外部流场。相关成果以“Programmable Hydrodynamic Invisibility Enabled by Machine-Learning-Guided Metamaterials”为题，发表于Advanced Materials [Adv. Mater. 38, e73690 (2026)]。我系黄吉平教授、上海理工大学物理学院杨福宝博士和刘晋榕博士、新加坡国立大学金鹏博士为论文共同通讯作者；我系博士生章丽丽为论文第一作者，合作者包括我系博士生张奕扬。

图：可编程流体动力隐身的概念与原理。(a–c) 可编程隐身斗篷结构及其基于机器学习的渗透率调控方法。(d–g) 不同结构下的压力场与流线，显示隐身斗篷可恢复背景流场。(h–i) 压力梯度和速度分布对比，验证隐身效果。Imp.表示不可渗透。

如果把一块石头放进水流中，水会绕开它，流线会弯曲，压力也会发生改变。类似地，在多孔材料、微流控芯片、生物组织或地下岩层中，只要放入一个与周围环境不匹配的物体，它就会在流场里留下“痕迹”。流体力学隐身的目标，就是让外部观察者几乎看不出这里多了一个障碍：流线仍然像原来一样前进，压力分布也尽可能保持原样。

过去的流体隐身器件大多是“定制款”：设计时假设背景渗透率是一个固定值，一旦环境改变，例如孔隙被堵塞、材料发生膨胀、介质含水状态变化，原先精心匹配的条件就会被破坏，隐身效果随之下降。研究团队要解决的正是这个问题：能否让同一个隐身器件像调档位一样，根据环境变化重新选择合适的流动通道？

在低雷诺数的达西流动中，渗透率决定了流体穿过多孔介质的难易程度。研究团队以圆柱形隐身斗篷为模型，基于已有的隐身壳层渗透率与背景渗透率匹配关系，指出当背景从高渗透率变到中等或低渗透率时，壳层也必须随之改变。为此，他们设计了带有可调单元的超构壳层，通过改变几何开口来改变等效渗透率，让同一类结构拥有多个可选状态。更进一步，当在隐身器件附近放置具有特定渗透率的“参照物”时，系统还可以把被隐藏目标的外部流动特征改写成另一个目标的样子，实现流体力学“伪装”。研究团队构建了大规模有限元仿真数据集，并训练随机森林等机器学习模型，把“想要怎样的渗透率”快速反推为“应该怎样设计微结构”。这相当于给流体超构材料装上一个设计导航：研究人员不必在庞大的参数空间中反复试错，而是可以更快找到可制造的结构方案。

数值模拟显示，在高、中、低三类背景渗透率下，经过匹配的超构壳层都能显著减少由障碍物引起的外部扰动，使压力等值线和流线恢复到接近无障碍物时的状态。实验中，研究团队制作了具有预设离散状态的多孔结构样品，并通过流场可视化验证了外部流线的恢复效果。

这项研究把“隐身”从一次性静态设计推进到可编程、可按需选择的方向，为复杂多孔介质中的流动操控提供了新的思路。未来，如果将实时传感、状态识别和闭环驱动结合起来，类似器件有望在分离科学、微流控、流动网络工程、生物软物质和多孔弹性系统中发挥作用，让流体输运像电路一样可以被更智能地调控。

论文地址：https://advanced.onlinelibrary.wiley.com/doi/10.1002/adma.73690