4. 多物理场耦合概述
多物理场耦合问题广泛存在于航空航天、能源动力、电子器件、生物医学及先进制造等领域。无论是涡轮叶片的气动热弹性分析、锂电池的充放电热-电-力耦合，还是高功率芯片的焦耳热与热应力评估，其本质都是多个物理过程在同一空间和时间域内相互影响、相互制约。在PINN（物理信息神经网络）框架下，处理多物理场耦合的关键在于：如何将不同物理场的控制方程、边界条件及耦合界面条件统一嵌入神经网络的损失函数中，并设计合理的求解策略。本章将系统梳理多物理场耦合的基本类型、工程中常见的耦合场景，以及面向PINN建模时的耦合处理思路。
4.1 多物理场耦合的核心原理与分类
多物理场耦合的数学本质是多个偏微分方程组（PDEs）通过源项、边界条件或材料属性相互关联。从信息传递的角度看，耦合可以分为两大类：强耦合（双向耦合）和弱耦合（单向或顺序耦合）。强耦合是指物理场之间在每一个时间步或迭代步内都进行双向信息交换，一个场的解直接影响另一个场的解，反之亦然。例如，在热-力耦合中，温度场引起热应变，而应变场又通过热弹塑性本构关系改变热导率或热膨胀系数，这种互反馈关系要求两个场必须同步求解。弱耦合则是指物理场之间的影响是单向的，或者虽然双向但时间尺度差异显著，可以分步求解。例如，在流-固耦合中，如果结构变形很小，可以先计算流场，再将流场压力作为载荷施加到结构上，而不需要反复迭代。
在PINN框架下，强耦合与弱耦合的处理方式有本质区别。对于强耦合问题，通常需要构建一个统一的神经网络，其输出层同时包含多个物理量（如温度、位移、速度），损失函数中同时包含各场的控制方程残差和耦合界面条件。对于弱耦合问题，则可以采用分步训练策略：先训练第一个物理场的网络，将其预测结果作为第二个物理场的输入或边界条件，再训练第二个网络。这种分步策略在工程上更易实现，且训练稳定性更好。
4.2 常见耦合场景的工程特征与PINN建模要点
工程中的多物理场耦合场景丰富多样，下面重点分析三种最常见的耦合类型，并给出各自的PINN建模要点。
4.2.1 热-力耦合
热-力耦合是固体力学中最常见的耦合形式，广泛存在于焊接、铸造、热处理、电子封装等工艺中。其控制方程包括热传导方程和弹性力学方程，耦合项体现在：温度场通过热膨胀系数产生热应变，而应变场通过热-力本构关系（如热弹塑性）影响热导率或热容。在PINN建模中，需要同时预测温度场T(x,t)和位移场u(x,t)，损失函数包含热传导方程残差、动量方程残差、热应变耦合项以及边界条件。
一个典型的PINN实现思路是：使用一个全连接网络，输入为空间坐标和时间，输出为[T, ux, uy, uz]（温度和三方向位移）。损失函数中，热传导方程残差和弹性力学方程残差分别加权，耦合项通过热应变公式 ε_th = α(T - T_ref) 显式嵌入。需要注意的是，热-力耦合问题中，温度场和位移场的时间尺度通常一致，因此必须采用联合训练策略，不能分步求解。
4.2.2 流-热耦合
流-热耦合（共轭传热）是流体力学与传热学的交叉领域，典型场景包括散热器设计、电子设备冷却、换热器性能分析等。其控制方程包括Navier-Stokes方程和能量方程，耦合项体现在：流体流动通过对流项影响温度场分布，而温度场通过改变流体密度、粘度等物性参数影响流场。在PINN建模中，需要同时预测速度场v(x,t)、压力场p(x,t)和温度场T(x,t)。
流-热耦合的PINN建模难点在于：Navier-Stokes方程的非线性对流项和不可压缩约束（∇·v=0）增加了训练难度。常用的处理技巧包括：在损失函数中显式加入连续性方程残差，使用自适应权重平衡动量方程和能量方程的收敛速度。对于弱耦合情况（如自然对流中温度对流速影响较小），可以先训练流场网络，再以流场速度作为已知输入训练温度场网络。
4.2.3 电磁-热耦合
电磁-热耦合在电力设备、射频器件、微波加热等领域具有重要应用。其物理机制是：电磁场在导电介质中产生焦耳热或介质损耗，这些损耗作为热源项进入热传导方程；而温度升高又改变材料的电导率、介电常数等电磁参数，反过来影响电磁场分布。在PINN建模中，需要同时求解Maxwell方程组（或简化形式）和热传导方程。
电磁-热耦合的PINN实现通常采用复数神经网络来处理电磁场的实部和虚部，或者使用两个独立网络分别预测电场和温度场。由于电磁场的时间尺度（纳秒至微秒）远小于热场的时间尺度（秒至分钟），在工程上常采用弱耦合策略：先计算稳态电磁场，将时间平均的焦耳热作为热源，再求解瞬态温度场。这种时间尺度分离策略在PINN中可以通过分步训练实现，大大降低了计算复杂度。
| 耦合类型 | 控制方程 | 耦合机制 | 典型时间尺度比 | PINN推荐策略 |
|---|---|---|---|---|
| 热-力耦合 | 热传导 + 弹性力学 | 热应变 ↔ 热导率变化 | 1:1（同步） | 联合训练，统一网络输出 |
| 流-热耦合 | N-S方程 + 能量方程 | 对流换热 ↔ 物性变化 | 1:1 ~ 1:10 | 可联合或分步，视耦合强度 |
| 电磁-热耦合 | Maxwell方程 + 热传导 | 焦耳热 ↔ 电导率变化 | 1:10⁶ ~ 1:10⁹ | 分步训练，时间尺度分离 |
4.3 案例拆解：芯片散热器的流-热-力三场耦合PINN建模
下面通过一个具体的工程案例，展示多物理场耦合PINN建模的完整流程。假设我们需要分析一个功率芯片散热器的热-结构可靠性，该散热器由铝制翅片和铜基板组成，芯片产生焦耳热，通过导热传递到散热器，再由风扇强制对流散热。同时，温度梯度导致散热器产生热应力，可能引起焊点疲劳或结构变形。
问题设定与初始条件：芯片功率为50W，环境温度为25°C，风扇风速为2m/s。散热器基板尺寸为100mm×100mm×5mm，翅片高度为20mm，厚度为1mm，间距为3mm。材料属性：铝的热导率为237W/(m·K)，热膨胀系数为23×10⁻⁶/K，弹性模量为70GPa；铜的热导率为401W/(m·K)，热膨胀系数为17×10⁻⁶/K，弹性模量为110GPa。目标：预测稳态温度场和热应力分布，评估最大应力是否超过材料屈服强度。
PINN建模过程：
- 物理场分解：将问题分解为流-热耦合和热-力耦合两个子问题。首先求解流-热耦合得到温度场，然后将温度场作为热载荷施加到结构上求解热应力。
- 流-热耦合PINN：构建一个网络，输入为(x,y,z)，输出为速度场(vx,vy,vz)、压力p和温度T。损失函数包含N-S方程残差、连续性方程残差、能量方程残差、壁面边界条件（无滑移、热通量连续）和入口/出口边界条件。
- 热-力耦合PINN：将上一步得到的温度场T(x,y,z)作为已知输入，构建第二个网络，输入为(x,y,z,T)，输出为位移场(u,v,w)。损失函数包含弹性力学方程残差、热应变耦合项和固定约束边界条件。
- 训练策略：由于流-热耦合中温度对流速的影响较小（自然对流效应弱于强制对流），采用弱耦合分步训练。第一步训练流-热网络，第二步训练热-力网络。
关键参数与训练细节：使用Adam优化器，初始学习率1e-3，逐步衰减至1e-5。隐藏层为6层，每层64个神经元，激活函数使用tanh。训练集使用拉丁超立方采样生成5000个配点，边界点1000个。流-热网络训练20000步，热-力网络训练15000步。损失函数中各物理场残差的权重通过自适应调节策略（如GradNorm）动态调整。
结果与分析：PINN预测的最高温度为78.5°C，与有限元仿真结果（77.9°C）误差小于1%。最大热应力出现在基板与翅片连接处，为86MPa，低于铝的屈服强度（约120MPa），满足可靠性要求。PINN求解耗时约15分钟（GPU加速），而传统有限元方法需要约2小时，加速比达8倍。
4.4 常见误区与总结复盘
在多物理场耦合的PINN建模中，初学者常犯以下几类错误，需要特别警惕：
- 误区一：忽视耦合强度的判断。盲目将所有耦合问题都当作强耦合处理，导致联合训练时损失函数中各项量级差异巨大，训练不稳定。正确做法是先通过量纲分析和参数评估判断耦合类型，再选择合适的求解策略。
- 误区二：耦合界面条件处理不当。在多物理场交界面上，需要满足通量连续、温度连续等条件。如果这些条件没有显式加入损失函数，PINN预测结果在界面处会出现明显的不连续或误差。
- 误区三：时间尺度处理错误。对于电磁-热这类时间尺度差异巨大的问题，如果强行使用统一的瞬态求解，会导致计算量爆炸且收敛困难。应利用时间尺度分离特性，采用准稳态近似或分步求解。
- 误区四：权重设置不合理。不同物理场的控制方程残差量纲不同（如温度的量级可能是10²，而位移的量级可能是10⁻³），如果不做归一化或权重自适应，小量级的物理场会被大量级的物理场淹没，导致预测失真。
总结复盘：多物理场耦合的PINN建模，核心在于“分类处理、分步实施、权重平衡”。首先，通过物理机制分析判断耦合类型（强/弱），确定是联合训练还是分步训练；其次，合理设计网络架构，明确各物理量的输出关系和耦合项的嵌入方式；最后，通过自适应权重策略和归一化处理，确保各物理场在训练过程中得到均衡的优化。工程实践中，建议从简化模型入手，先验证PINN框架的可行性，再逐步增加物理场的复杂度和耦合强度。通过本章的学习，读者应能够针对具体的多物理场耦合问题，选择合适的PINN建模策略，并规避常见的训练陷阱。