2. 物理约束的数学表达与数据建模接口

物理约束数据建模的核心，是把“物理上必须成立的关系”翻译成数据模型能够感知、能够优化的数学对象。这一步做得好不好，直接决定了后续训练是“用数据拟合物理”，还是“用物理约束数据”。本节围绕三类数学表达——偏微分方程与守恒律、本构关系、边界与初始条件——说明它们如何被嵌入损失函数、网络结构、数据增强与后处理，并给出量纲分析与无量纲化的可操作方法。

一、约束的数学形式：从场方程到定解条件

以不可压缩牛顿流体为例，设速度场 u(x,t)、压力场 p(x,t)，密度 ρ、动力黏度 μ。守恒律给出动量方程与连续性方程：

ρ(∂u/∂t + (u·∇)u) = -∇p + μ∇²u + f
∇·u = 0

这里 f 是体积力。动量方程本质是“动量守恒”，连续性方程是“质量守恒”，二者合起来构成偏微分方程组。本构关系则描述应力与变形速率的关系，牛顿流体取 τ = μ(∇u + ∇uᵀ)，非牛顿流体则可能是剪切速率相关的幂律或黏弹性模型。定解条件包括边界条件（如壁面无滑移 u = 0、入口给定速度剖面、出口给定压力）和初始条件（如 t=0 时全场速度分布）。

对数据建模而言，关键是把上述关系写成“残差”形式：把网络输出的近似解 û, p̂ 代入方程，得到动量残差 r_m、连续性残差 r_c、本构残差 r_τ、边界残差 r_b、初始残差 r_0。物理约束是否被满足，就转化为这些残差在采样点上是否趋近于零。

二、把约束放进损失函数

最直接的方式是复合损失：L = L_data + λ_m L_m + λ_c L_c + λ_b L_b + λ_0 L_0。其中 L_data 是观测点上的均方误差，L_m、L_c 是方程残差在配点上的均方值，L_b、L_0 是边界与初始条件偏差。实现时要注意三点：其一，残差中的导数用自动微分求取，避免有限差分引入额外误差；其二，配点应在域内与边界分别采样，边界点密度要足以约束边界层；其三，各 λ 的量级要匹配，否则某一项会主导梯度。

一个可操作的示例：在 [0,1]×[0,1] 的二维方腔内，取 2000 个内部配点、400 个壁面点、200 个初始点，数据点 300 个。初始设 λ_m=1、λ_c=10、λ_b=10、λ_0=10，因为连续性残差与边界残差在训练初期往往比动量残差小一到两个数量级，需要放大权重。训练 5000 步后若发现 L_data 下降而 L_c 停滞，说明连续性约束未被有效优化，可把 λ_c 再提高或对配点做残差自适应加密。这些数值属于教学示例设定，实际应结合具体问题标定。

三、网络结构、数据增强与后处理

结构层面有两种典型做法。硬约束输出层：例如对不可压缩流，让网络输出流函数 ψ，再由 u = ∂ψ/∂y、v = -∂ψ/∂x 构造速度，连续性方程自动满足，只剩动量与边界残差需要优化。另一种是输出修正量，网络预测相对某个基线解的偏差，把物理先验放进基线。数据增强方面，可利用问题的对称性（如圆管流动的轴对称）生成镜像样本，或在满足守恒律的前提下对输入做扰动，使增强后的样本仍落在物理可行域内。后处理则常用散度投影：对预测速度做一次 u ← u - ∇φ，其中 φ 解泊松方程 ∇²φ = ∇·u，把残余散度压到接近零；边界处再用壁面条件回填。

四、量纲分析与无量纲化

量纲分析的作用是减少独立参数、暴露相似性。以方腔流为例，特征长度 L、特征速度 U、密度 ρ、黏度 μ 组合出雷诺数 Re = ρUL/μ。把方程无量纲化：x*=x/L、u*=u/U、t*=tU/L、p*=p/(ρU²)，动量方程化为 ∂u*/∂t* + (u*·∇*)u* = -∇*p* + (1/Re)∇*²u*。这样网络只需面对 Re 一个控制参数，训练样本可按 Re 分层组织，泛化评估也有了明确坐标。

无量纲化还直接影响训练稳定性：若直接用有量纲量，压力可能比速度大几个数量级，梯度尺度失衡。建议在数据进入网络前统一做特征缩放，把各物理量映射到 O(1) 区间，并在损失中对不同残差做量纲一致的归一化，例如用 ρU²/L 归一化动量残差、用 U/L 归一化连续性残差。这样 λ 的调节才有可比性，物理约束与数据拟合之间的权衡也更容易判断。