降阶模型(ROM)

ROM的理论基础

为什么要做降阶

精细的CAE模型（FOM：Full Order Model，自由度10⁵～10⁸）单次求解要几分钟到几小时，既撑不起实时应用（数字孪生、控制），也做不了成千上万次的反复评估（优化、不确定度量化）。降阶模型（ROM：Reduced Order Model）的做法是找出解实际活动的那个低维子空间，只在该子空间内求解方程，把自由度压缩到几十～几百。代价是提速上千到上万倍的同时，子空间之外的行为原理上无法表达——如何设计这笔交易，才是ROM实务的本质。

用POD构建基

最标准的基构建方法是本征正交分解（POD）。把改变工况得到的FOM解汇成快照矩阵 \( S = [\mathbf{u}_1, \dots, \mathbf{u}_m] \)，对其做奇异值分解，取左奇异向量的前 \( k \) 列作为基 \( \Phi \)。

$$ S = U \Sigma V^T, \qquad \mathbf{u}(t; \mu) \approx \Phi\, \mathbf{a}(t; \mu), \quad \Phi = U_{[:,1:k]} $$

模态数 \( k \) 按奇异值的累积能量选取（例如 \( \sum_{i \le k}\sigma_i^2 / \sum_i \sigma_i^2 \ge 99.9\% \)）。关键在于：奇异值衰减得快不快，直接决定ROM能不能成立。扩散主导的问题（热传导、结构静力）几个模态就能超过99%；而对流主导的问题（激波、移动的火焰面）衰减很慢，用线性子空间做降阶本质上就很吃力（Kolmogorov n-width的壁垒）。

投影型ROM与数据驱动型ROM

在碰不到商用求解器内部算子的实务环境里，非侵入式（POD＋回归、算子推断）才是现实的主力。

构建的数值方法

快照设计——ROM的质量在这一步就定了

基只认识快照所张成的空间，因此快照规划本身就是实验设计。要点：①用LHS等覆盖参数范围（与Kriging的DOE是同一套纪律）；②非定常问题要纳入过渡过程的代表阶段（起升、峰值、稳态）；③快照之间相关性过高时要抽稀（看奇异值分解的秩）。混入量纲尺度差异大的物理量（位移与应力、温度与流速）时，若忘了逐量归一化（或按量分开建基），基就会被数值大的那个量独占。

非线性项的壁垒与超降阶

Galerkin ROM的降阶方程里一旦含非线性项，为了评估它就必须回到全维度，于是出现降了阶却快不起来的问题。斩断这条回路的就是超降阶（DEIM、ECSW等）：只在少数采样点（单元）上评估非线性项，再插值补全。"做了ROM却只快2倍"这种症状，几乎可以断定是没做超降阶。数据驱动型ROM（比如算子推断中假定二次型）能规避这个问题，这也是它被选用的理由之一。

稳定性与结构保持

Galerkin投影并不保证原方程的稳定性得以保留，FOM稳定而ROM发散的情况是存在的。对策按以下顺序考虑：①在能量内积（对称正定的权矩阵）下做投影；②Petrov-Galerkin（最小二乘型）投影；③追加补偿耗散的闭合项（closure）。流体问题中压力项的处理（只对速度做POD、压力另行处理）也左右稳定性。ROM的验证不能只做"训练工况的复现"，长时间积分下的有界性必须确认。

实务应用流程

标准工作流——离线／在线分离

1. 离线（高成本·只做一次）——快照规划→执行FOM→POD基→构建降阶模型（投影或回归）→验证
2. 在线（低成本·每次执行）——针对新的参数与输入求解降阶系统（毫秒～秒级）
3. 验证——用未参与训练的留出参数与FOM对比（场的L2误差与目标量的误差分开报告）
4. 监控——运行期间检查输入是否落在训练域内，域外则报警并回退到FOM

用在哪里——与Kriging、FNO的分工

这些常被一并称作"代理模型"，但ROM的独有价值在于"作为动力系统的降阶"——它有状态，能对任意输入作出响应。如果只要静态的"参数→输出"对应关系，Kriging更省事。

验证与验收标准的制定

ROM的验收标准要从用途倒推。用于控制则"带宽内频率响应误差±1dB"，用于孪生则"监控量的误差低于传感器噪声"，用于UQ则"统计量（均值·方差）的误差不超过输入不确定度所致宽度的1/10"，诸如此类。场的平均误差很小、目标量（局部热点）却偏掉是常有的事，因此报告里必须包含基于目标量的误差。此外，把模态数上下调几个、确认结果是否稳定（模态数敏感度），也是标准项目。

工具与实现

工具支持情况

非侵入式ROM的最小配方（面向商用CAE用户）

1. 用LHS抽取参数，执行N次FOM，导出场的快照
2. 用SVD构建POD基 \( \Phi \)（按累积能量确定模态数）
3. 把各快照压缩为系数 \( \mathbf{a} = \Phi^T \mathbf{u} \)
4. 用Kriging等回归"参数→系数"的映射（POD+Kriging）；动态问题则用算子推断／DMD辨识系数的时间演化
5. 用留出工况验证场与目标量的误差

它零改造求解器就能实现，而且大多数实务需求（参数化的场预测）靠它就能满足。等到物理守恒律的保持或长时间稳定性成为硬性要求时，再前进到投影型ROM也不迟。

前沿研究动态

挑战对流主导问题——跨过线性子空间的壁垒

激波、移动界面这类对流主导问题奇异值不衰减，正是线性POD的软肋。研究的主战线有三个方向：①先用坐标变换吸收解的平移再降阶（shifted POD、registration方法）；②基于二次流形（quadratic manifold）的非线性子空间；③用自编码器学习非线性潜空间的神经网络ROM。"模态加得再多，对流问题的精度也上不去"是方法本身的极限，而这些扩展正是应对之道。

算子推断与闭合建模

从物理出发假定降阶坐标控制方程的形式（线性＋二次项等），只用数据辨识系数，这就是算子推断（Operator Inference）。它既非侵入又保住了方程结构，作为折中方案，实现正在扩散。此外，用数据驱动方式构建补偿被截断模态影响的闭合模型（相当于LES的SGS模型）的研究也很活跃，是用少量模态换取长时间稳定ROM的钥匙。

带误差保证的ROM（降阶基方法）

对椭圆型、抛物型问题，降阶基（RB）方法已经建立起在线计算严格误差上界的理论。能给出"这个ROM预测的误差至多为ε"这种带认证的答案，在工程上意义重大，也成为安全性受质疑的用途（结构健康监测）采用ROM的依据。向一般非线性问题的推广仍在研究途中，但在线性范围内已达实用阶段。

故障排查

按症状的原因与对策

引入判断的三个条件

相关文章：Kriging代理模型、多项式混沌、Fourier神经算子。