什么是模型降阶（MOR）？

把用有限元法等建立的具有成千上万个未知数的模型，用少数代表性形状（模态）的组合近似，把未知数减到几个到几十个的方法。计算非常快，用于参数搜索、优化、控制设计、实时数字孪生等。代表性方法有本征正交分解（POD）。

POD怎样构造模态？

先在几种条件下求解原模型，收集各时刻的解（快照）。对排列成的矩阵做奇异值分解，就按表示解变化能力的顺序得到模态。奇异值平方的比例是各模态表示的能量比例。本例2个模态表示99.999%，4个模态表示1 − 2×10⁻⁹。

降阶模型在任何条件下都能用吗？

不能。模态只能表示训练所用解的形状，训练范围外精度会下降。用热源在中央训练的模型求解热源稍微移动的条件，模态增加到16个误差仍停在19%。在3个热源位置训练后，未训练位置用8个模态改善到0.7%，16个模态改善到0.05%。

模型降阶方法

分类：耦合分析·多物理场 | 2026-10-01 改写

CAE visualization for model order reduction theory - technical simulation diagram

模型阶数约减方法

理论：用少数模态表示解的形状

概述

🙋

听说要算几个小时的分析可以换成瞬间给出答案的降阶模型，是真的吗？

🎓

有条件地是真的。许多物理问题的解，无论未知数多少，实际上往往能用几种固定形状的组合表示。POD在几种条件下求解原模型，对这些解做奇异值分解，提取最能表示解变化的形状（模态）。之后只需求解模态系数，未知数几万也变成几个到几十个的计算。但模态只知道训练所用解的形状，出现与训练时不同种类变化的条件下，模态再多也表示不了。所以建立降阶模型时，必须用训练覆盖使用范围，并确认范围外的精度。

本征正交分解（POD）

$$ X = [\,T(t_1),\dots,T(t_m)\,] = U\Sigma V^{\mathsf T},\qquad T \approx \Phi_k\,a(t),\quad \Phi_k = U_{:,1:k},\qquad E_k = \frac{\sum_{i\le k}\sigma_i^2}{\sum_i \sigma_i^2} $$

降阶模型（伽辽金投影）

$$ \Phi_k^{\mathsf T} M \Phi_k\,\dot a = \Phi_k^{\mathsf T} K \Phi_k\,a + \Phi_k^{\mathsf T} f(t)\qquad (n = 200 \rightarrow k) $$

算例设定：长1的棒的一维瞬态导热（内部节点200，两端温度为0）。高斯形热源（宽0.05）强度按1 + 0.5 sin 8πt变化，用后向欧拉法（步长0.001）求解到时刻0.5的500张快照。

Coffee Break 随笔闲谈

从湍流结构到设计工具

POD与统计学的主成分分析思路相同，1967年由拉姆利引入流体力学，用来提取湍流中反复出现的大尺度结构。1987年西罗维奇提出快照法，使计算变得容易，广泛用于流动控制和降阶模型。如今已成为结构、热、电磁场耦合分析降阶以及实时估计运行中机械状态的数字孪生的核心技术之一。

算例

例1：模态数与表示的能量

模态数	未表示能量比例	最大误差（训练条件）	最大误差（热源移到0.6）
2	1.2×10⁻⁵	1.1%	22.5%
4	1.8×10⁻⁹	0.037%	19.2%
8	≈ 0	4.4×10⁻⁶ %	18.7%
16	≈ 0	1.3×10⁻¹¹ %	18.5%

例2：在3个热源位置（0.4、0.5、0.7）训练时

模态数	未表示能量比例	未训练位置0.6最大误差
4	5.7×10⁻⁵	12.1%
8	5.7×10⁻⁹	0.71%
16	≈ 0	0.053%
24	≈ 0	0.0011%

🙋

训练条件下误差几乎为0，热源稍微移动就偏差19%。

🎓

只用中央热源训练时，提取的模态全是以中央为中心的左右对称形状。热源移到0.6后温度峰向右偏，对称形状无论怎样叠加也表示不了偏移的峰。所以增加模态误差也不减小。这是降阶模型最大的陷阱，训练条件下误差小，对想用的条件下的精度毫无保证。在改变热源位置的条件下训练后，加入了表示偏移形状的模态，未训练的0.6位置误差也大幅下降。实务中要选择覆盖使用范围边缘和中间的训练条件，并一定在未用于训练的条件下验证。还有在降阶模型中监视原模型误差判据（残差）、超出范围就回到原模型的机制。

降阶模型的建立方法

确定使用范围（载荷、边界条件、材料、形状参数）。
用原模型生成覆盖范围边缘和中间的训练解。
根据奇异值衰减确定所需模态数。
在未用于训练的条件下确认误差。
非线性项还要考虑保持计算速度的近似（超降阶）。

Coffee Break 随笔闲谈

“数字孪生在冬天失准”

某设备实时估计温度的降阶模型，夏秋季与实测吻合良好，到冬天就偏差几℃以上。调查发现训练用的解全部是外气温15℃以上的条件，冬季低外气温下温度分布形状本身与训练的形状不同。把冬季条件加入训练重新构造模态后，偏差缩小到1℃以内。为监视超范围使用，开始监视把降阶模型结果代入原方程的残差。

常见错误

错误与对策

错误	后果	对策
只在训练条件下确认精度	范围外偏差大	在未训练条件下验证
训练范围窄	增加模态也不改善	包含范围边缘
只按能量定模态数	残留局部误差	按目标量确认
按原尺寸计算非线性项	速度不提高	使用超降阶
没有超范围监视	察觉不到错误结果	监视残差

🙋

我想了解相关内容。

🎓