4. 仿真数据预处理与特征工程
在机器学习辅助仿真参数反演中，模型最终能否准确预测材料参数、边界条件或几何缺陷，很大程度上不取决于网络结构有多深，而取决于输入数据是否被正确清洗、对齐和表达。仿真数据往往来自有限元、CFD、电磁场或多物理场求解器，天然带有量纲混杂、网格不一致、异常样本和维度灾难等问题。本节围绕数据清洗、归一化、异常值处理、时序与场数据降维、特征提取以及物理量纲一致性六个环节展开，目标是让读者能够把原始仿真输出整理成可直接送入回归或反演模型的数值矩阵。
一、数据清洗：先保证样本可用
仿真数据清洗的第一步不是删数据，而是识别数据来源与结构。典型反演任务中，一条样本可能包含：几何参数（如厚度、孔径）、载荷参数（如压力、频率）、边界条件（如固定端位置）以及响应场（如位移云图、温度分布）。清洗要处理三类问题：缺失、重复和无效。缺失通常出现在参数扫描未覆盖的工况，若缺失比例低于5%，可用同工况邻近样本的均值或K近邻插补；若缺失集中在某个物理量，应优先检查求解器是否未收敛。重复样本多由参数组合重复提交造成，可用参数向量与响应向量的联合哈希去重。无效样本包括求解失败、结果全零或出现非物理负值（如绝对温度低于0 K），这类样本必须剔除，否则会严重污染反演目标。
二、归一化与物理量纲一致性
仿真参数的量纲差异极大：弹性模量约200 GPa，而泊松比仅0.3，若直接输入网络，梯度会被大量纲特征主导。常用做法是Z-score标准化：对每个特征减去均值再除以标准差，使各维度均值为0、方差为1。对于有明确物理边界的参数（如体积分数0~1），可用Min-Max归一化到[0,1]。但归一化不能破坏量纲一致性：反演目标若是杨氏模量，输出层应还原到GPa量级，而不是停留在归一化空间。建议在数据管道中显式记录每个特征的均值、标准差和单位，反演完成后按同一组参数逆变换。对于场数据，温度、位移、应力各自量纲不同，应分通道独立标准化，避免用全局均值抹平物理差异。
三、异常值处理：区分噪声与真实极端工况
仿真数据中的异常值有两种来源：数值噪声和真实极端工况。前者如迭代残差未达标导致的局部振荡，后者如接近屈曲临界点的载荷。若不加区分地删除，会丢失重要物理信息。推荐先用箱线图或3σ准则标记候选异常点，再结合物理判据复核：若某样本的应力-应变曲线仍满足单调性且能量守恒，即使数值偏离均值也应保留。对于确认的噪声点，可用中值滤波或基于物理约束的平滑替换；对于极端但真实的工况，可单独分层采样，避免被大量常规样本淹没。
四、时序与场数据的降维与特征提取
时序数据（如冲击响应、疲劳循环）和场数据（如温度云图、位移场）维度极高，直接输入模型会导致参数数量爆炸。降维的核心是保留物理主导模态。对时序数据，常用方法包括：提取峰值、上升时间、衰减率等时域特征；或用快速傅里叶变换提取主频和幅值。对场数据，本征正交分解（POD）是经典选择：将场快照矩阵做奇异值分解，取前若干阶模态，使降维后的系数保留95%以上能量。另一种思路是用自编码器学习非线性低维表示，但需注意训练集要覆盖足够多的工况，否则编码器会过拟合。
以POD为例，假设有200个温度场快照，每个快照在1000个网格节点上取值，构成矩阵 X（1000×200）。对其做奇异值分解 X = UΣVᵀ，取前10阶奇异值对应的左奇异向量作为空间模态，则每个快照可用10个系数近似表示，维度从1000降到10。若前10阶奇异值平方和占总平方和的96%，说明降维保留了主要能量。这些系数即可作为反演模型的特征输入。
五、特征工程中的物理约束
纯数据驱动的特征有时会违背物理规律，例如预测的弹性模量为负。因此特征构造应尽量嵌入物理先验：用无量纲数（如雷诺数、傅里叶数）替代原始参数组合，可提升模型泛化能力；对场数据可提取梯度、散度、曲率等物理派生量；对时序数据可计算能量积分和阻尼比。这些特征不仅降低维度，还使模型更容易学到参数与响应之间的真实映射。
六、实操示例：一个参数反演数据管道
假设任务是根据悬臂梁的自由端位移反演杨氏模量 E。原始数据包含500组仿真：每组有梁长 L、截面惯性矩 I、端部载荷 F 和自由端位移 δ。清洗阶段剔除3组未收敛样本；归一化阶段对 L、I、F、δ 分别做Z-score，并记录均值与标准差；异常值阶段用3σ标记出2组 δ 异常，经复核为载荷接近屈曲临界点，予以保留并分层；特征阶段构造无量纲量 δ/L 和 FL²/(EI)，后者与 δ/L 理论上成正比，可作为强特征。最终输入模型的特征为 [L, I, F, δ/L, FL²/(EI)]，输出 E 经逆变换还原为GPa。该管道可直接复用于其他梁类反演任务。
综上，仿真数据预处理与特征工程不是简单的“清洗加归一化”，而是一个需要物理判断与数值处理交替进行的环节。清洗保证样本可信，归一化与量纲一致性保证数值稳定，异常值处理保留真实极端工况，降维与特征提取解决高维问题，物理约束提升泛化。只有这些步骤协同完成，后续的反演模型才能从仿真数据中学到可靠的参数映射关系。