1. 课程导入：多物理场耦合问题的工程背景、PINN的基本思想、课程目标与学习路径

现代工程系统几乎不存在单一物理场的孤立作用。航空发动机涡轮叶片同时承受高温燃气热冲击、离心机械载荷与气动压力；锂电池在充放电过程中电化学反应用于产热、锂离子扩散与结构应力相互耦合；芯片封装中电流焦耳热、热膨胀位移与电磁干扰彼此纠缠。传统数值方法（FEM、FVM）在处理这类多物理场耦合问题时，常面临网格重构成本高、界面传递误差累积、非线性强耦合迭代不收敛等瓶颈。物理信息神经网络（Physics-Informed Neural Networks, PINN）通过将偏微分方程（PDE）残差、边界条件与初始条件直接嵌入神经网络损失函数，提供了一种无网格、可微分的耦合求解新范式。本节作为课程开篇，将系统梳理多物理场耦合的工程背景、PINN的核心思想，并明确本课程的学习路径与目标。

1.1 多物理场耦合问题的工程背景与建模挑战

1.1.1 核心原理：耦合的物理本质

多物理场耦合的本质是不同物理过程通过共享变量、界面通量或材料属性发生相互作用。按耦合强度可分为：强耦合（双向反馈，如热-力耦合中温度改变热应力，变形又影响热接触热阻）与弱耦合（单向传递，如电磁损耗作为热源但温度对电磁性能影响可忽略）。工程中更常见的是非线性强耦合，例如摩擦生热-热软化-磨损率变化三者之间的正反馈循环。从数学角度看，耦合系统可表示为偏微分方程组：

∂u/∂t = L₁(u, v, w) + f₁(u, v, w)
∂v/∂t = L₂(u, v, w) + f₂(u, v, w)
∂w/∂t = L₃(u, v, w) + f₃(u, v, w)

其中L为微分算子，f为非线性耦合源项。传统求解器通常采用分区迭代（Staggered）或整体联立（Monolithic）策略，但前者存在时间滞后误差，后者导致矩阵条件数恶化。

1.1.2 工程案例拆解：芯片封装的热-力-电耦合

以先进封装（2.5D/3D IC）为例，TSV（硅通孔）结构在电流密度10⁵ A/cm²下产生显著焦耳热，局部温升可达80°C以上。温度梯度导致硅与铜的CTE失配（2.6 ppm/°C vs 17 ppm/°C），产生超过200 MPa的热应力，可能引发微裂纹和电迁移失效。传统FEM分析流程需要：① 先做电-热耦合获得温度场；② 将温度映射到结构网格做热应力分析；③ 若考虑裂纹扩展还需重新划分网格。整个过程网格数量超过2000万，单次迭代耗时12小时以上，且界面数据映射引入插值误差。PINN方法则可将三个物理场统一编码进一个神经网络，通过联合损失函数同时求解，避免了网格映射误差。

1.1.3 常见误区与应对策略

1.2 PINN的基本思想与数学框架

1.2.1 核心原理：从数据驱动到物理约束

PINN的核心创新在于将物理定律作为软约束嵌入神经网络训练。设网络输出为 û(x, t; θ)，其中θ为网络参数。对于一般PDE：

∂u/∂t + N[u] = 0,  x ∈ Ω, t ∈ [0, T]

定义残差：

r(x, t; θ) = ∂û/∂t + N[û]

损失函数由三部分构成：

L = λ_PDE · ||r||² + λ_BC · ||B(û) - g||² + λ_IC · ||û(x,0) - h(x)||²

其中B为边界算子，g为边界条件，h为初始条件。通过自动微分（AD）计算残差对输入坐标的导数，利用梯度下降优化θ使总损失最小化。多物理场耦合时，只需将多个PDE残差加权求和，并添加界面连续性条件（如温度连续、热流连续、位移连续、力平衡）。

1.2.2 判断方法：何时选择PINN而非传统方法

特征	传统FEM/FVM	PINN
网格依赖	高，需高质量网格	无网格，点云采样
高维问题（>5维）	网格爆炸	天然适合
逆问题/参数识别	需反复求解正问题	可直接反演
复杂几何	需CAD修复/网格划分	可用隐式几何表示
强非线性耦合	迭代易发散	联合优化可缓解
实时推理	需降阶模型	训练后推理极快

选择建议：当问题具有高维度、复杂几何、需要快速重参数化或涉及逆问题时，优先考虑PINN；当需要高精度（<0.1%误差）且几何简单时，传统方法仍具优势。

1.2.3 小型场景化说明：热-力耦合的PINN实现

考虑一个二维热弹性板，温度场T(x,y)与位移场u(x,y)耦合。控制方程为：

∇²T = 0  （稳态热传导）
∇·σ + f = 0  （力平衡）
σ = C : (ε - α·ΔT·I)  （本构关系含热应变）

PINN实现时，网络输出为[T, u_x, u_y]三个分量。损失函数包含：热方程残差、力平衡残差、本构关系残差、边界条件（固定温度/自由边界）以及界面连续性。通过权重自适应调整（如NTK理论或梯度归一化），可平衡不同物理场的损失尺度差异（温度量级10²，位移量级10⁻⁵）。

1.3 课程目标与学习路径

1.3.1 课程目标体系

• 理论层：掌握PINN的数学基础（函数逼近理论、自动微分、损失景观分析）与多物理场耦合的数学建模方法。
• 算法层：理解并实现多种耦合求解策略（硬约束/软约束、分步耦合/联合求解、自适应权重、领域分解）。
• 工程层：能够针对实际工程问题（电子散热、电池热-力耦合、电磁-热-结构多场）设计PINN架构并调优。
• 前沿层：了解PINN与深度学习结合的最新进展（如Fourier特征、注意力机制、生成式PINN）。

1.3.2 学习路径与章节地图

阶段	章节范围	核心能力
基础夯实	第1-6章	PINN原理、Python/PyTorch实现、单物理场求解
耦合进阶	第7-15章	热-力、电-热、流-固耦合策略与实现
工程实战	第16-24章	复杂几何处理、超参数调优、不确定性量化
前沿探索	第25-30章	大规模并行、与实验数据融合、工业部署

1.3.3 学习建议与工具准备

1.3.4 常见误区与总结复盘