2. 多尺度物理问题的数学表述

多尺度物理问题的建模,第一步不是选网络结构,而是把“不同尺度上各自由什么方程支配、它们之间如何交换信息”写成一套可计算的数学表述。本节围绕连续介质力学与量子力学两类基本方程、尺度分离与耦合关系、无量纲化与相似性分析,以及多尺度建模的一般框架展开,目标是让后续的神经网络建模有明确的输入输出、约束条件和误差来源。

两类基本方程:宏观连续与微观量子

连续介质力学把材料视为连续体,其核心是守恒律。以质量守恒与动量守恒为例,在欧拉描述下可写为

∂ρ/∂t + ∇·(ρv) = 0
ρ(∂v/∂t + v·∇v) = ∇·σ + f
σ = C : ε,  ε = ½(∇u + ∇uᵀ)

其中 ρ 为密度,v 为速度场,σ 为柯西应力张量,ε 为小应变张量,C 为四阶弹性张量,f 为体力。若考虑热效应,还需补充能量方程。连续介质方程的特点是场变量在空间上连续可微,本构关系(如 C 或更一般的非线性本构)是模型的关键,也是多尺度信息最需要注入的位置。

量子力学层面,非相对论情形由含时薛定谔方程描述:

iħ ∂ψ/∂t = Ĥψ,  Ĥ = -ħ²/(2m)∇² + V(r)

对多原子体系,Ĥ 包含电子动能、原子核动能以及电子—电子、核—核、电子—核库仑相互作用。直接求解全体系波函数的代价随粒子数指数增长,因此实际做法是引入玻恩—奥本海默近似,把电子与核的运动分离,得到电子本征值问题 Ĥeψe = Ee(R)ψe,其中 Ee(R) 作为核坐标 R 的函数,构成势能面,进而为分子动力学或连续介质提供本构信息。这一分离本身就是多尺度建模的典型范例。

尺度分离与耦合关系

尺度分离的数学标志是存在一个小参数 ε = ℓ/L ≪ 1,ℓ 为微观特征长度(如晶格常数、分子间距),L 为宏观特征长度。当 ε 很小时,可用渐近展开把解写成多尺度形式,例如 u(x) = u₀(x, x/ε) + εu₁(x, x/ε) + …,其中 x 为宏观坐标,y = x/ε 为快变坐标。代入原方程后按 ε 的幂次分离,可得到一系列子问题:低阶方程给出宏观平均行为,高阶方程给出微观修正。均匀化理论正是通过这一途径,从微观周期性结构导出等效宏观本构。

耦合关系可分为三类:单向耦合(微观结果作为宏观参数输入,如用分子模拟标定弹性常数)、双向耦合(宏观场反过来影响微观构型,如应力驱动的相变)、并发耦合(宏观与微观区域在空间上同时求解并在界面交换信息,如裂纹尖端用原子模拟、远场用连续介质)。不同耦合方式对神经网络的要求不同:单向耦合可用回归网络学习“微观结构→宏观参数”的映射;并发耦合则往往需要构造满足界面通量连续性的混合模型。

多尺度耦合与信息传递示意 微观尺度 ℓ 量子力学 / 分子动力学 Ĥψ = Eψ,势能面 E(R) 原子构型、缺陷、界面 介观尺度 均匀化 / 代表体积元 等效本构 C*(ε) 晶粒、纤维、孔隙统计 宏观尺度 L 连续介质力学 ρ(∂v/∂t+v·∇v)=∇·σ+f 结构响应、应力场 升尺度 升尺度 降尺度 降尺度 尺度分离参数:ε = ℓ / L ≪ 1 渐近展开 u(x) = u₀(x, x/ε) + εu₁(x, x/ε) + …,按 ε 幂次分离得到宏观平均方程与微观修正项 神经网络承担的角色 升尺度:学习 (微观结构参数) → (等效本构 C*);降尺度:学习 (宏观应变/应力) → (微观构型统计量);并发:界面通量约束下的混合代理模型

无量纲化与相似性分析

无量纲化不是形式上的化简,而是识别控制参数、判断尺度可比性的必要步骤。以不可压缩流动为例,取特征长度 L、特征速度 U、特征时间 L/U,压力尺度取 ρU²,则动量方程化为

∂v*/∂t* + v*·∇*v* = -∇*p* + (1/Re)∇*²v*
Re = ρUL/μ

雷诺数 Re 决定了惯性项与黏性项的比值。当 Re ≪ 1 时黏性主导,可忽略惯性项得到斯托克斯方程;当 Re ≫ 1 时惯性主导,边界层变薄。对多尺度问题,还需引入反映微观结构的无量纲群,例如 Knudsen 数 Kn = λ/L(λ 为分子平均自由程),当 Kn 接近 1 时连续介质假设失效,必须切换到分子或动理学描述。相似性分析的意义在于:若两个系统所有控制无量纲数相同,则其无量纲解相同,这为用缩比实验或小尺度模拟外推宏观行为提供了依据,也为神经网络的特征工程提供了物理上合理的输入组合。

在弹性问题中,常用无量纲群包括应变 ε、泊松比 ν、以及几何比(如裂纹长度与试样尺寸之比 a/W)。对含微结构的材料,还可构造 ℓ/L 与刚度比 Emicro/Emacro。把这些无量纲量而非原始量作为网络输入,能显著改善跨尺度泛化能力。

多尺度建模的一般框架

综合上述内容,一个可操作的多尺度建模框架通常包含四个环节。第一,尺度划分与变量定义:明确每个尺度的状态变量(微观为原子坐标或电子密度,介观为相场或代表体积元统计量,宏观为位移、应力、温度),并写出各自的支配方程。第二,尺度间的信息传递算子:升尺度算子(如体积平均、均匀化、统计矩)把细尺度信息压缩为粗尺度参数;降尺度算子(如局部化、重构)把粗尺度场还原为细尺度边界条件。第三,无量纲化与参数筛选:确定控制参数,判断哪些尺度可以解耦、哪些必须并发求解。第四,误差与一致性检验:检查界面通量是否连续、能量是否守恒、粗细尺度解在重叠区是否一致。

以纤维增强复合材料为例,一个具体的建模流程是:在微观代表体积元上施加周期性边界条件,计算六组独立应变加载下的平均应力,得到等效刚度矩阵 C*;将 C* 代入宏观有限元模型求解结构响应;再取宏观关键部位的应变,回代到代表体积元中计算局部应力集中。若用神经网络替代代表体积元计算,输入可取纤维体积分数、纤维方向角与宏观应变,输出为等效刚度或局部应力峰值,训练数据由上述代表体积元计算生成。检验时重点看两点:一是网络预测的 C* 是否满足对称性与正定性,二是回代得到的局部应力与直接计算结果在关键位置的相对误差是否在可接受范围内(示例中可设定为 5% 以内,具体阈值需按工程要求确定)。

无量纲化先行:在构造网络输入前先完成相似性分析,往往比增加网络容量更能提升跨尺度泛化。控制无量纲数相同而原始量不同的样本,应被视为同一物理状态。
尺度分离假设并非总成立。当 ε 不再是小量(如纳米器件、强非均匀材料),渐近展开失效,此时应优先考虑并发耦合或直接细尺度模拟,而不是强行套用均匀化框架。