1. 课程导入与逆向问题定位
在热传导工程实践中，我们经常遇到一类“参数不可直接测量”的困境：材料已经装配在设备内部，无法取样测热导率；换热表面被结构遮挡，无法布置传感器测对流换热系数；热源被封装在组件里，无法直接标定其发热功率。此时，正向计算——已知参数求温度场——已经无法开展，因为参数本身就是未知量。热传导参数逆向辨识要解决的正是这个问题：用可测量的温度响应数据，反推不可直接测量的热物性参数、边界条件或热源项。
先明确本节采用的符号与方向约定，全文保持一致：温度记为 T，热流密度记为 q，按傅里叶定律 q = −k∇T，热流方向沿温度降低方向为正；边界换热采用第三类条件 −k∂T/∂n = h(Ts − T∞)，n 为外法向，h 为表面换热系数，Ts 为表面温度，T∞ 为环境温度。逆向辨识中，待反演量通常记为参数向量 p = [k, h, Q]T，其中 Q 为体热源强度（W/m³）。
三类典型反演对象
工程中最常见的反演对象可以归为三类，它们的可观测性和反演难度差异明显。
- 材料热导率 k：常见于复合材料、隔热涂层、电池极片等。特点是空间分布可能非均匀（各向异性或分层），反演时往往需要多点测温才能约束分布形态。
- 边界换热系数 h：常见于风冷散热器、管道外壁、淬火表面。特点是强依赖于流场与表面状态，且常随温度变化，反演时对表面附近测点位置非常敏感。
- 热源强度 Q：常见于电子芯片、激光加热、化学反应放热。特点是可能随时间剧烈变化，反演本质上是“载荷识别”问题，对采样频率要求高。
以一个教学示例说明量级感：一块 100 mm × 100 mm × 10 mm 的铝板（假设 k ≈ 200 W/(m·K)，ρ ≈ 2700 kg/m³，cp ≈ 900 J/(kg·K)），底面施加恒定热流，顶面自然对流（假设 h ≈ 10 W/(m²·K)）。若在顶面中心布置热电偶，测得温升曲线在 60 s 内上升约 8 K，则可通过该曲线同时约束 k 与 h——但两者对温升的敏感度不同：k 主要影响早期响应斜率，h 主要影响后期稳态平台。这种“不同参数在不同时间段主导响应”的特性，正是逆向辨识可行的物理基础，也是测点与采样窗口设计的依据。
完整技术流程：从数据到可信参数
逆向辨识不是“套一个优化算法”那么简单，它是一条闭环链路：实验/仿真数据 → 正问题模型 → 反演算法 → 验证与不确定性评估。任何一个环节失真，反演结果都不可信。下图给出该闭环的结构与信息流向。
图中橙色虚线是反演的核心机制：给定初值 p(0)，正问题模型算出预测温度 T(p)，与观测数据 Tobs 比较得到残差，反演算法据此更新参数，再回到正问题重新计算，直到残差不再显著下降或达到迭代上限。紫色“验证”环节不是可选项——它回答的是“这组参数是否可信、误差多大”，而不是“算法是否收敛”。
为什么逆向问题“不好解”
逆向辨识在数学上是不适定问题：观测数据中的微小噪声，可能被反演放大成参数的巨大偏差。原因有三。其一，参数对温度的敏感度可能很低，例如深埋界面的 h 对表面温度影响微弱，信噪比不足。其二，参数之间存在相关性，例如同时反演 k 与 h 时，增大 k 与减小 h 可能产生相近的温度曲线，导致解不唯一。其三，测点数量与采样频率有限，信息量不足以约束全部未知量。
因此，实际工程中必须做三件事：先做敏感性分析，确认所选测点对目标参数确实敏感；控制未知量个数，优先反演 1～2 个关键参数，其余用文献值或独立实验固定；引入正则化或先验约束，把物理上合理的范围（如 k > 0、h 在 5～200 W/(m²·K) 之间）写进优化问题，抑制病态解。