2. 物理方程与实验数据的基本特性

融合建模之所以必要，根源在于两类知识载体各自“偏科”。物理方程擅长描述机理与守恒关系，却常常受限于简化假设和未知参数；实验数据擅长反映真实系统的复杂行为，却天然带有噪声、覆盖不全和不可外推的缺陷。理解这两类对象的特性差异，才能判断在什么位置融合、以什么方式融合、融合后如何验证。

物理方程：确定、受约束，但未必完备

物理方程的核心特性是确定性与约束性。给定初始条件、边界条件和模型参数，方程的输出是唯一确定的——同一个输入必然得到同一个输出，不存在随机波动。例如一维热传导方程

ρc ∂T/∂t = k ∂²T/∂x² + q(x,t)

只要密度 ρ、比热 c、导热系数 k、热源 q 以及初边值条件确定，温度场 T(x,t) 就被完全锁定。这种确定性来自方程背后的守恒律（能量守恒、动量守恒、质量守恒），因此方程还天然携带硬约束：无论参数如何取值，解都必须满足守恒关系、量纲一致性和边界条件。这正是纯数据模型难以保证的性质——神经网络可以拟合出违反能量守恒的曲线，而物理方程不会。

但确定性不等于正确性。物理方程的“确定”是相对于其假设而言的：一维假设忽略了横向散热，常物性假设忽略了 k 随温度变化，等效热源 q 可能只是对复杂燃烧或电磁加热的粗略替代。于是方程往往呈现“结构确定、参数未知或失真”的状态。工程中常见的本构参数、反应速率常数、对流换热系数，恰恰是方程里最不确定的部分。此外，方程对未建模的次生效应（如接触热阻、材料相变）完全“失明”，这部分信息只能由数据补充。

实验数据：真实，但噪声、稀疏、不确定

实验数据的第一特性是噪声。传感器精度、采样量化、环境扰动、接线干扰都会叠加到测量值上。以热电偶测温为例，单点测量误差常在 ±0.5 ℃ 量级，若采样频率高而信号变化慢，噪声还会在差分求导时被急剧放大——这正是“用数据直接反演物理参数”时最棘手的问题之一。

第二特性是稀疏性。受成本、可达性和安全性限制，实验点通常只分布在少数位置和有限时刻。比如在 1 m 长的导热棒上只布置 5 个测点、每 10 s 采一次，相对于连续的温度场，数据在空间和时间上都是高度稀疏的。稀疏意味着数据无法独立支撑全场预测，尤其在测点之间和采样间隔内，模型必须“猜”。

第三特性是不确定性。它既包括随机误差（重复测量服从某分布），也包括系统误差（标定偏差、安装位置偏移），还包括模型不确定性（用一维模型解释三维实验带来的结构性偏差）。因此数据给出的不是“真值”，而是“带置信区间的观测”。忽略这一点，直接把实验点当作精确约束去拟合，容易得到过拟合且物理上荒谬的参数。

下图对比了两类知识载体在确定性、覆盖范围、约束能力和外推能力上的差异，并标出融合建模的切入点。

融合的动机：互补而非替代

把两类特性放在一起看，融合的动机就非常清晰。物理方程提供可外推的骨架和不可违背的约束，但骨架上的“关节”——参数和未建模项——需要数据来标定；实验数据提供真实工况下的证据，但证据稀疏且带噪，需要方程来插值和约束。一个典型的融合思路是：保留方程结构，把待定参数 θ 作为可学习量，用实验数据构造损失函数

L(θ) = Σ_i w_i · (y_i − T(x_i, t_i; θ))²  +  λ · R(θ)

其中第一项是数据拟合残差，第二项 R(θ) 是物理正则（如参数非负、守恒残差、平滑性），λ 控制机理约束的强度。这样既不让数据把参数拉向物理上不合理的区域，也不让方程假设完全压制真实观测。若数据噪声较大，可把 w_i 取为测量方差的倒数，让高置信测点主导拟合。

融合面临的挑战

第一是量纲与尺度失衡。数据残差和物理残差往往量纲不同、量级相差几个数量级，直接相加会让某一项主导优化。实践中需要先做无量纲化，或对各项分别归一化后再加权。

第二是噪声放大与病态反演。用含噪数据反演参数时，若参数对输出敏感度低（如导热系数在稳态实验中），微小噪声就会导致参数大幅漂移。此时需要引入先验分布或正则项，把反演从“病态”拉回“良态”。

第三是模型结构偏差。如果方程本身漏掉了主导效应（例如忽略相变潜热），再好的参数标定也无法让模型与数据吻合。这时残差会呈现系统性趋势而非随机分布，应据此判断是“调参”还是“改结构”。

第四是数据覆盖不足导致外推风险。融合模型在测点附近表现良好，并不代表在未测工况下可靠。验证时必须留出独立工况做外推测试，而不能只在训练数据上评估。