PINN流体分析

PINN流体分析的理论基础

PINN的基本结构

物理信息神经网络（PINN）用神经网络 \( \mathcal{N}(\mathbf{x}, t; \theta) \) 表示流场 \( (\mathbf{u}, p) \)，并把控制方程的残差嵌入损失函数来训练。微分由自动微分严格求得，因此不需要网格。损失通常是三项的加权和：

$$ \mathcal{L}(\theta) = \lambda_{pde}\,\mathcal{L}_{PDE} + \lambda_{bc}\,\mathcal{L}_{BC/IC} + \lambda_{data}\,\mathcal{L}_{data} $$

\( \mathcal{L}_{PDE} \) 是配点处的Navier-Stokes残差（动量＋连续性），\( \mathcal{L}_{BC/IC} \) 是边界·初始条件残差，\( \mathcal{L}_{data} \) 是与实测数据之差。第三项最为关键：它让数据与物理定律在同一个天平上被满足，这正是PINN最大的个性。

流体特有的定式化选择

先掌握"擅长与不擅长"的地图

让训练成立的数值手法

损失平衡是最大的难关

PDE残差、边界残差、数据残差的量级相差几个数量级，固定权重会让某一项压倒其余、训练失败。务实的处理顺序：

• 彻底无量纲化——把所有项拉到O(1)。仅此一项就常常解决问题
• 硬边界条件——用距离函数变形网络输出，使边界条件被严格满足，从而整个消掉 \( \mathcal{L}_{BC} \)（收敛性大幅改善）
• 自动权重调整——按梯度范数比动态更新 \( \lambda \)（GradNorm系）、基于NTK理论的加权、残差驱动的自适应权重

配点与网络设计

配点以均匀随机（或拉丁超立方）为基础，再向残差大的区域自适应补点。边界层、分离点等梯度陡峭的区域从一开始就要高密度布点。网络以MLP＋tanh为标准；对高波数的流动结构，Fourier特征嵌入（把输入用三角函数抬升）是应对谱偏差（网络优先学低频的性质）的定番对策。优化器采用"先用Adam把整体压下去，再用L-BFGS收尾"的两段式，经验上最稳定。

高雷诺数的壁垒与分割策略

Re越高，流场的微细结构与非线性越强，单一网络的PINN迅速变得困难。用DNS的方式解析湍流超出PINN的射程，现实上限是层流～过渡区（Re数百到数千量级）。研究与实务中采用的对策有三条：①区域分割（XPINN等：把空间分成子域并在界面上耦合），②尊重时间因果性的训练（causal training：从早期时刻开始加权），③与RANS结合、把平均场作为对象。

实务应用流程

胜负手——由观测数据重构流场

PINN在流体领域最具代表性的成功模式，是把稀疏且含噪的观测变成物理自洽的全场：

1. PIV/PTV＋PINN——由面内速度的稀疏测量，同时重构满足连续性与动量的速度场，以及测不到的压力场
2. 由少数传感器估计流场——用壁面压力、流量等少量观测配合方程推断内部场，比纯插值在物理上更可信
3. 参数反推——把有效粘度、入口分布、换热系数作为未知参数纳入损失，与观测同时优化

标准工作流

1. 无量纲化——以特征长度·速度按Re整理，所有变量拉到O(1)
2. 选定式化——二维不可压优先考虑流函数形式；边界条件尽量硬化
3. 训练设置——MLP（4～8层×64～128单元）＋Fourier特征，Adam→L-BFGS
4. 收敛诊断——不要只看损失数值，要可视化PDE残差的空间分布（分布偏在就该做自适应补点）
5. 验证——与参考CFD解的范数误差、守恒量（断面质量流量是否一致）、留出观测点上的预测误差

用与传统V&V相同的纪律验证

PINN结果的报告要套用传统CFD的V&V纪律。损失下降 ≠ 解出来了。至少要确认：①与独立参考解（CFD或解析解）的范数误差，②守恒量检查（断面间质量流量是否相等），③留出观测点上的预测误差，④对随机种子与配点重采样的结果稳定性。残差损失很小而全局误差很大是完全可能的——残差与误差是两回事，这一点与传统数值分析中的残差评价完全相同。

框架与实现

主要框架对比

DeepXDE实现骨架（二维方腔流）

import deepxde as dde

def ns_residual(x, y):            # y = (u, v, p)
    u, v, p = y[:, 0:1], y[:, 1:2], y[:, 2:3]
    u_x = dde.grad.jacobian(y, x, i=0, j=0); u_y = dde.grad.jacobian(y, x, i=0, j=1)
    # ... 用自动微分取各阶导数，返回三条无量纲NS残差（动量2条＋连续性1条）

geom = dde.geometry.Rectangle([0, 0], [1, 1])
bc = [dde.icbc.DirichletBC(geom, lid_u, on_lid, component=0), ...]
data = dde.data.PDE(geom, ns_residual, bc, num_domain=5000, num_boundary=400)
net = dde.nn.FNN([2] + [64] * 6 + [3], "tanh", "Glorot normal")
model = dde.Model(data, net)
model.compile("adam", lr=1e-3); model.train(iterations=20000)
model.compile("L-BFGS"); model.train()   # 收尾

实务中要在这个骨架上叠加无量纲化、硬边界条件、损失权重调整与残差可视化。训练历史（各损失分量随迭代的推移）务必保存并附在报告里。

前沿研究动态

与算子学习（FNO·DeepONet）的分工

PINN是"一个问题用一个网络求解"，而FNO（Fourier神经算子）与DeepONet则从大量CFD结果中学习"边界条件·形状→解"这一映射本身。一旦训练完成，新条件的推理只需毫秒，因此在多工况评估（优化、实时预测）上算子学习占优；反过来，只有一个工况数据的反问题·同化则PINN占优。"重复评估用算子学习、数据融合用PINN"的分工已经确立。把二者结合的物理信息算子学习（PINO）也很活跃。

失败机理的理论解明

近年解释PINN训练失败的理论已经成型。NTK（神经正切核）分析定量刻画了各损失项收敛速度的不均衡，成为自动加权的理论依据；谱偏差（优先学习低频）解释了边界层与高波数结构难学的机理；时间演化问题中"先最小化后期时刻残差会破坏因果性"的机理（causal training的动机）也被阐明。曾经的经验法则如今有了理论背书的处方。

与可微求解器的混合路线

把传统求解器本身写成可自动微分的形式（可微CFD），只用神经网络承担湍流模型·闭包项的混合路线，在实用面上增长迅速。数值解法的稳健性与守恒性由求解器保证、只让网络学习建模误差，从而规避纯PINN的弱点（守恒性、高Re）。RANS闭包的学习修正、LES的SGS模型学习，是最接近产业应用的领域。

故障排查

按症状的原因与对策

导入判断的三个问题

相关文章：PINN结构分析、PINN相关文章一览、Kriging代理模型（作为数据驱动的对照）。