课程导入：PINN的基本概念、发展背景、在流体力学与热传导建模中的应用价值与学习路径

物理信息神经网络（Physics-Informed Neural Networks，简称PINN）是近年来科学计算与深度学习交叉领域最具影响力的范式之一。其核心思想是将物理定律（通常以偏微分方程PDE形式表达）作为软约束嵌入神经网络的损失函数中，使得网络输出不仅拟合观测数据，更严格遵循控制方程、初始条件与边界条件。与传统数值方法（如有限元FEM、有限体积FVM、有限差分FDM）相比，PINN无需网格生成，具备天然的反问题求解能力，且能以统一框架处理正问题、反问题、参数辨识与不确定性量化。在流体力学与热传导领域，PINN已成功应用于不可压缩Navier-Stokes方程求解、湍流建模修正、自然对流与强制对流耦合、相变传热、热应力分析等复杂场景。本课程将从数学基础、网络架构、损失函数设计、优化策略、工程实践五个维度，系统构建PINN在流体与热问题中的建模能力。

1.1 PINN的核心原理与数学框架

PINN的数学本质是一个带物理约束的回归优化问题。考虑一般形式的参数化偏微分方程：

N[u(x,t); λ] = f(x,t),  x ∈ Ω, t ∈ [0,T]
B[u(x,t)] = g(x,t),  x ∈ ∂Ω
u(x,0) = h(x)

其中N为微分算子，λ为物理参数（如流体的动力粘度ν、热扩散系数α），B为边界算子。PINN构造一个神经网络近似解u_θ(x,t)，其损失函数为：

L(θ) = w_PDE * L_PDE + w_BC * L_BC + w_IC * L_IC + w_Data * L_Data

其中L_PDE通过自动微分计算网络输出对输入坐标的导数，代入控制方程残差；L_BC和L_IC分别约束边界与初始条件；L_Data用于拟合实验或仿真数据。自动微分（Autograd）是PINN区别于传统数值方法的关键技术，它使得任意阶导数都可以精确计算，避免了有限差分的截断误差。

1.2 发展背景：从数据驱动到物理约束的范式转变

PINN的发展脉络可追溯至三个方向的交汇。第一，深度学习的兴起使得高维函数逼近成为可能，2016年前后DGM（Deep Galerkin Method）等方法开始尝试用神经网络求解PDE。第二，科学计算领域对高维、复杂几何、反问题求解的需求日益迫切，传统网格方法在三维湍流、多尺度问题中面临计算瓶颈。第三，2019年Raissi等人发表《Physics-informed neural networks》，系统提出PINN框架，将物理残差、边界条件与数据拟合统一为多目标损失函数，并在Burgers方程、KdV方程等基准问题上展示了卓越精度。此后，PINN迅速向流体力学（如不可压缩NS方程、湍流平均场建模）、热传导（如非线性热源反演、相变Stefan问题）、固体力学（如超弹性材料参数辨识）等领域渗透。

值得注意的是，PINN并非要取代传统CFD/传热数值方法，而是形成互补。在流动-传热耦合问题中，传统方法需要迭代求解多个物理场，而PINN可以同时输出速度场、压力场和温度场，天然满足耦合约束。在实验数据稀缺的场景（如高温熔融盐流动），PINN能利用物理方程约束弥补数据不足，实现小样本学习。

1.3 在流体力学与热传导中的应用价值

在流体力学领域，PINN的典型应用包括：不可压缩层流与湍流的流场重构、基于部分速度测量的全场速度与压力估计、气动外形优化中的代理模型构建、以及微流控芯片中的电渗流与热流耦合模拟。在热传导领域，PINN可处理变导热系数问题、非线性热源反演、移动边界相变问题（如冰融化、金属凝固），以及电子器件散热优化中的热-流-固多物理场耦合。

应用场景	传统方法痛点	PINN优势	典型精度指标
不可压缩NS方程稳态解	网格生成耗时，高雷诺数易发散	无网格，自动满足连续性方程	速度场L2误差<1%
湍流平均场建模	RANS需要经验湍流模型	可从DNS/实验数据学习雷诺应力	壁面摩擦系数误差<5%
瞬态热传导反问题	反问题不适定，正则化参数难选	物理约束天然正则化	热流密度反演误差<3%
流热耦合（共轭传热）	分区耦合迭代慢，界面处理复杂	统一网络输出多物理场	界面温度误差<2K

1.4 课程整体框架与学习路径

本课程共30章，分为六个递进模块。第一模块（第1-5章）夯实数学与编程基础，包括PDE分类、自动微分原理、TensorFlow/PyTorch中的梯度计算、以及第一个PINN实现——一维热传导方程。第二模块（第6-10章）深入网络架构设计，涵盖激活函数选择（Swish、GELU）、权重初始化策略、傅里叶特征嵌入、以及残差连接与归一化技术对收敛性的影响。第三模块（第11-15章）聚焦损失函数工程，包括PDE残差采样策略（均匀采样、自适应采样、RAR方法）、边界条件施加方式（硬约束与软约束）、以及多目标损失权重自适应调整（如NTK理论、GradNorm算法）。

第四模块（第16-20章）进入流体力学专题，从Stokes流到不可压缩NS方程，再到湍流建模（包括基于PINN的涡粘模型修正和基于注意力机制的湍流场重构）。第五模块（第21-25章）专注热传导与流热耦合，涵盖稳态/瞬态热传导、非线性热源反演、相变Stefan问题、以及电子散热中的共轭传热建模。第六模块（第26-30章）面向工程实践与前沿，包括PINN与传统CFD的混合方法、不确定性量化（贝叶斯PINN）、以及基于PINN的数字孪生系统开发。

1.5 案例拆解：二维稳态热传导PINN建模

为帮助初学者建立直观认识，我们以一个简化的二维稳态热传导问题为例，展示PINN建模的完整流程。考虑一个L形导热区域，左侧边界固定温度100°C，右侧边界对流换热（h=10 W/m²K，环境温度25°C），上下边界绝热。材料导热系数k=50 W/mK。该问题传统上需要生成非结构化网格，而PINN只需在区域内随机采样坐标点。

关键参数设置：

网络结构: 输入(2维坐标) → 4层全连接(每层50神经元, tanh激活) → 输出(1维温度)
采样点数: 内部点5000, 边界点800
损失权重: w_PDE=1.0, w_BC=10.0, w_IC=0(稳态)
优化器: Adam(学习率1e-3) 训练20000步, 后接L-BFGS精调

训练过程与结果：初始阶段，PDE残差较大（约10²量级），温度场呈均匀分布。随着训练进行，左侧高温逐渐向右传递，边界条件约束促使右侧温度梯度形成。最终，内部最大温度残差降至0.5°C以下，与有限元参考解对比，平均误差为0.8°C（相对误差约1.2%）。值得注意的是，在L形拐角处，由于几何奇异性，温度梯度较大，PINN的误差略高于其他区域，这提示我们在后续章节中将学习自适应采样策略来改善此类问题。

1.6 总结与复盘

本章作为课程导入，建立了PINN的整体认知框架。核心要点可归纳为：PINN通过自动微分将物理方程嵌入神经网络损失函数，实现了数据与物理的深度融合；其发展背景源于传统数值方法在高维、反问题、复杂几何中的局限性；在流体与热传导领域，PINN展现出独特的应用价值，尤其在流热耦合、参数反演、小样本学习等场景。课程学习路径遵循"数学基础→网络架构→损失设计→优化策略→物理专题→工程实践"的递进逻辑，每章均包含理论推导、代码实现与案例复盘三个环节。