1. 课程导入与全景认知

在工程仿真中，我们常常遇到一个方向相反的问题：模型结构已知、仿真软件可用，但其中若干关键参数无法直接测量，只能通过外部可观测的响应去"倒推"。这类问题就是仿真参数反演（Simulation Parameter Inversion），也称参数辨识、参数标定或反问题求解。它的典型形式是：给定一个正向仿真模型 y = f(x; θ)，其中 x 是可控输入，θ 是待定参数向量，y 是可观测输出；我们手上有若干组实测或目标响应 y*，希望求出使 f(x; θ) 与 y* 最接近的 θ。

举几个真实场景。结构力学中，通过模态试验测得的固有频率与振型，反演材料弹性模量、连接刚度与阻尼比；热传导中，用表面温度随时间的变化曲线反演导热系数与界面热阻；电池管理中，用端电压与电流激励反演等效电路模型的 R₀、R₁、C₁ 等参数；射频与电磁兼容中，用 S 参数反演介质基板的介电常数与损耗角正切。它们的共同点是：正向仿真可以跑，但反演往往"病态"——多组不同参数可能给出几乎相同的响应，且实测数据总带噪声。

为什么需要机器学习辅助

传统反演主要靠三类方法：解析/半解析反演、基于梯度的优化（如最小二乘、Levenberg–Marquardt）、以及全局搜索（遗传算法、粒子群、贝叶斯推断）。它们各有短板：梯度法依赖初值、容易陷入局部极小；全局法需要成千上万次正向仿真，单次仿真若耗时数分钟，整体代价难以承受；贝叶斯方法虽能给出后验分布，但采样成本同样高昂。更麻烦的是，很多仿真器是"黑箱"或含不连续、强非线性环节，梯度难以稳定获取。

机器学习辅助的价值体现在三个层面。第一，代理建模：用少量仿真样本训练一个快速近似模型（如神经网络、高斯过程、多项式混沌），把单次评估从分钟级降到毫秒级，使大规模搜索与采样变得可行。第二，直接映射：训练一个从响应到参数的回归网络，实现"一次前向即出结果"的实时反演，适合在线监测与嵌入式场景。第三，先验与正则：用数据学习参数分布、约束与不确定性，缓解病态性，并输出置信区间而非单一数值。需要强调的是，机器学习不是替代物理仿真，而是把昂贵的正向计算"摊销"到离线训练中，在线阶段换取速度与鲁棒性。

课程整体路线

本课程按"问题—数据—模型—评估—落地"的主线推进，共 30 章，可划分为六个阶段。第一阶段（第 1–4 章）建立全景认知与数学基础：明确反演问题的适定性、病态性来源，复习最小二乘、正则化与贝叶斯视角。第二阶段（第 5–10 章）聚焦数据与仿真：试验设计（拉丁超立方、Sobol 序列）、批量仿真调度、数据清洗与特征构造，并讨论噪声与测量误差的建模方式。第三阶段（第 11–18 章）进入模型方法：从响应面、高斯过程、神经网络到物理信息神经网络（PINN）与算子学习，比较它们在精度、样本效率与外推能力上的差异。第四阶段（第 19–23 章）讲反演求解：直接回归、代理+优化、贝叶斯推断与不确定性量化。第五阶段（第 24–27 章）讲评估与工程化：交叉验证、留一法、鲁棒性测试、模型部署与在线更新。第六阶段（第 28–30 章）为综合实战与复盘。

实战项目介绍

贯穿课程的项目是"一维热传导杆的导热系数与界面热阻反演"。设定如下：长度 L = 0.2 m 的均质杆，左端受周期热流激励 q(t)，右端为对流边界；在 x = 0.05、0.10、0.15 m 处布置三个温度测点，采样周期 1 s，共 300 s。待反演参数为导热系数 λ（真值设为 45 W/(m·K)）与界面热阻 R_int（真值设为 2.5×10⁻³ m²·K/W）。正向仿真用有限差分实现，时间步长 0.05 s，空间网格 100 个节点。

数据生成阶段，用拉丁超立方在 λ ∈ [20, 80]、R_int ∈ [0.5, 5]×10⁻³ 内抽取 800 组参数，每组跑一次正向仿真，得到三条温度曲线，并叠加标准差 0.15 K 的高斯噪声模拟测量误差。特征构造上，不直接把 900 个温度点全部送入网络，而是提取每条曲线的峰值时间、上升斜率、稳态温差与相位滞后等 12 维特征，降低维度并提升可解释性。模型采用三层 MLP（12–64–64–2），输出 λ̂ 与 R̂_int，损失函数为归一化均方误差。训练集 640 组、验证集 80 组、测试集 80 组。

评估指标采用相对误差与决定系数。示例性预期结果是：在测试集上 λ 的相对误差中位数约 3%–5%，R_int 约 6%–10%，R² 均在 0.95 以上；当噪声标准差从 0.15 K 增至 0.5 K 时，误差会明显上升，这正是后续章节要讨论的鲁棒性问题。需要说明，以上数值为教学示例设定，实际结果取决于网格、噪声水平与模型超参数，读者应在自己的环境中复现并记录真实指标。