3. 边界条件类型与数学表述

在PINN中，偏微分方程本身只描述区域内部的物理规律，真正决定解“长什么样”的，是边界条件。同一个热传导方程，左端固定温度、右端绝热，与两端都固定温度，得到的温度场完全不同。因此，把边界条件写对、写全，并在损失函数中正确加权，是PINN建模中最容易出错也最值得投入精力的环节。本节围绕四类常见边界条件展开：Dirichlet、Neumann、Robin与周期边界条件，说明它们的数学定义、物理含义，以及在PINN损失函数中的具体表述方式。

一、四类边界条件的定义与物理角色

设求解区域为 Ω，边界为 ∂Ω，外法向单位向量为 n，待求场量为 u(x,t)。四类边界条件可统一写成如下形式：

• Dirichlet（第一类）：直接给定边界上的场量值，u = g_D。例如固定端温度 T = 373 K、入口速度 u = 1 m/s、壁面浓度 c = 0。它约束的是“值”本身。
• Neumann（第二类）：给定边界上的法向导数，∂u/∂n = g_N。最常见的是绝热边界 ∂T/∂n = 0，或给定热流密度 −k∂T/∂n = q。它约束的是“通量”。
• Robin（第三类）：场量与法向导数的线性组合，αu + β∂u/∂n = g_R。典型场景是对流换热 −k∂T/∂n = h(T − T_∞)，整理后即 hT + k∂T/∂n = hT_∞。它描述边界与外界环境之间的交换能力。
• 周期边界条件：u(x_L) = u(x_R)，且 ∂u/∂n|_xL = ∂u/∂n|_xR。用于环形域、重复单元、充分发展流动等场景，要求场量及其导数在两端“无缝衔接”。

从约束强度看，Dirichlet 最强，直接锁定数值；Neumann 约束变化率，允许整体平移（这也是纯Neumann问题解不唯一的原因）；Robin 介于两者之间，把边界值“拉向”环境值；周期条件则是一种全局耦合约束，两端互相牵制。理解这一点，对后续损失权重设计非常关键。

二、在PINN损失函数中的具体表述

PINN的核心思想是把边界条件转化为可微的惩罚项，与PDE残差一起构成总损失。设网络输出为 u_θ(x)，在边界上采样 N_B 个配点 {x_i}，四类条件对应的损失项分别为：

L_D = (1/N_B) Σ |u_θ(x_i) − g_D(x_i)|²
L_N = (1/N_B) Σ |∂u_θ/∂n (x_i) − g_N(x_i)|²
L_R = (1/N_B) Σ |α·u_θ(x_i) + β·∂u_θ/∂n (x_i) − g_R(x_i)|²
L_P = (1/N_B) Σ [ |u_θ(x_L) − u_θ(x_R)|² + |∂u_θ/∂n(x_L) − ∂u_θ/∂n(x_R)|² ]

总损失通常写成 L = L_PDE + λ_DL_D + λ_NL_N + λ_RL_R + λ_PL_P。其中法向导数 ∂u_θ/∂n 通过自动微分对输入坐标求梯度再与法向量做内积得到，无需手工差分。这一点是PINN相对传统数值方法的便利之处，但也意味着法向量的方向定义必须与坐标约定严格一致，否则正负号会整体反号。

三、一个可执行的示例：一维稳态热传导

考虑长度 L = 1 m 的杆，导热系数 k = 1 W/(m·K)，无内热源，控制方程 d²T/dx² = 0。设定混合边界：左端 x = 0 固定温度 T = 373 K（Dirichlet），右端 x = 1 对流换热，环境温度 T_∞ = 293 K，换热系数 h = 10 W/(m²·K)（Robin）。右端条件写作：

−k·dT/dx |_(x=1) = h·(T(1) − T∞)
即 10·T(1) + 1·dT/dx|_(x=1) = 10 × 293 = 2930

该问题的解析解为线性分布 T(x) = a + bx，代入两端条件可解得 b = −h(T(0) − T_∞)/(k + hL) = −10×80/11 ≈ −72.73 K/m，a = 373 K。于是 T(1) ≈ 300.27 K。这个解析结果可作为PINN训练后的对照基准。

在实现上，边界配点建议单独构造：左端取若干点（一维下即 x = 0 重复采样或加微小扰动），右端取若干点，分别计算 L_D 与 L_R。训练中可观察三个量：PDE残差损失是否持续下降、边界损失是否收敛到 10⁻⁴ 量级以下、以及预测的 T(1) 是否逼近 300.27 K。若边界损失下降但PDE残差停滞，通常是边界权重过大，网络把精力全放在满足边界而牺牲了内部方程；反之则边界约束不足，解在边界附近出现明显偏移。

四、选择与组合时的实践要点

第一，避免纯Neumann问题。若整个边界只给法向导数，解在常数平移下不唯一，PINN会收敛到一个任意平移的解。解决办法是在某一点补一个Dirichlet条件，或固定参考值。

第二，Robin条件的系数要归一化。α 与 β 量纲不同时，损失项中两项数值尺度可能相差几个数量级，建议先除以 max(|α|,|β|) 再进入损失，避免优化被大系数项主导。

第三，周期条件的采样要成对。左右两端配点应一一对应（相同 y 坐标或相同参数位置），否则“逐点相等”的约束会退化为统计意义上的近似，端部可能出现细微错位。

第四，边界权重 λ 需要标定。常用做法是先令各 λ = 1 训练若干步，观察各损失项量级，再按量级反比调整，使各项对总损失的贡献大致相当。这不是唯一策略，但对多数入门问题足够稳健。

把边界条件写对，本质上是在告诉网络“物理世界的边界在哪里、以什么方式被约束”。四类条件各有其数学形式与物理语义，在损失函数中对应不同的残差表达式，理解它们的差异与组合规则，是构建可靠PINN模型的基础。