2. 数学基础

在PINN（物理信息神经网络）的建模过程中，偏微分方程（PDE）不仅是物理规律的数学表达，更是损失函数中残差项的直接来源。理解PDE的数学性质，直接决定了网络训练时如何设置权重、如何选择采样点分布、以及如何处理边界与初始条件。本章将系统梳理PDE的三大分类（椭圆型、抛物型、双曲型）、定解条件的数学意义，以及流体力学与热传导中三个核心方程的数学结构与PINN适配要点。

2.1 偏微分方程的分类与数学本质

2.1.1 核心原理：二阶线性PDE的分类判据

对于一般二阶线性PDE：

A·u_xx + 2B·u_xy + C·u_yy + D·u_x + E·u_y + F·u = G(x,y)

其分类由判别式 Δ = B² - AC 决定：

• 椭圆型（Δ < 0）：如Laplace方程 ∇²u = 0，特征线为复数，物理上描述稳态扩散或势场分布。信息在域内全域传播，任意点的扰动立即影响整个区域。
• 抛物型（Δ = 0）：如热传导方程 ∂u/∂t = α∇²u，特征线为实数但退化，物理上描述耗散过程。信息沿时间方向单向传播，具有强平滑效应。
• 双曲型（Δ > 0）：如波动方程 ∂²u/∂t² = c²∇²u，特征线为两族实曲线，物理上描述无耗散波动。信息沿特征线以有限速度传播，可能产生间断（激波）。

2.1.2 判断方法：从物理背景到数学形式

物理场景	数学形式	类型	PINN采样策略
稳态温度场	∇²T = 0	椭圆型	全域均匀采样，边界加密
瞬态热传导	∂T/∂t = α∇²T	抛物型	时间方向因果采样，早期加密
无粘可压缩流	∂ρ/∂t + ∇·(ρu) = 0	双曲型	激波附近自适应加密
不可压层流	∇·u = 0, ρ(u·∇)u = -∇p + μ∇²u	混合型	速度-压力耦合采样

2.1.3 案例拆解：一维热传导方程的PINN实现

考虑一维热传导问题：

∂u/∂t = 0.01·∂²u/∂x²,  x∈[0,1], t∈[0,1]
初始条件: u(x,0) = sin(πx)
边界条件: u(0,t) = u(1,t) = 0

PINN损失函数设计为：

L = λ_r·MSE_r + λ_ic·MSE_ic + λ_bc·MSE_bc
MSE_r = (1/N_r)·Σ|∂u_θ/∂t - 0.01·∂²u_θ/∂x²|²
MSE_ic = (1/N_ic)·Σ|u_θ(x,0) - sin(πx)|²
MSE_bc = (1/N_bc)·Σ(|u_θ(0,t)|² + |u_θ(1,t)|²)

训练时发现：若λ_r权重过大，早期迭代会忽略边界条件；若λ_ic过小，初始时刻的误差会随时间累积。实际调参中采用自适应权重策略，初始设置λ_r:λ_ic:λ_bc = 1:10:10，并在训练过程中动态调整。

2.2 定解条件：初始条件与边界条件的数学表述

2.2.1 核心原理：定解条件的完备性

一个适定的PDE问题必须满足：存在性、唯一性、稳定性。定解条件正是保证唯一性和稳定性的关键。对于PINN，定解条件不仅是约束，更是训练数据的来源。

• 初始条件（IC）：u(x, t₀) = g(x)，定义在空间域Ω上。对于抛物型和双曲型方程必需。
• 边界条件（BC）：定义在时空边界∂Ω × [t₀, T]上，分为三类：
  • Dirichlet条件：u|∂Ω = h(x,t)，直接给定函数值
  • Neumann条件：∂u/∂n|∂Ω = q(x,t)，给定法向导数
  • Robin条件：α·u + β·∂u/∂n = r(x,t)，混合形式

2.2.2 操作流程：PINN中定解条件的施加方式

1. 硬施加：通过修改网络输出结构，使解自动满足边界条件。例如u_θ(x,t) = h(x,t) + (x-a)(x-b)·N_θ(x,t)，适用于规则几何域。
2. 软施加：将定解条件作为损失函数的惩罚项。适用于复杂几何域，但需要仔细调节权重。
3. 混合策略：对Dirichlet条件用硬施加，对Neumann条件用软施加，兼顾精度与灵活性。

2.2.3 案例拆解：方腔驱动流的边界条件处理

二维方腔驱动流（lid-driven cavity）是CFD经典验证案例。方腔顶部以速度U₀=1运动，其余三边固定。

边界	速度条件	压力条件	PINN施加方式
顶边 (y=1)	u=1, v=0	∂p/∂n=0	硬施加u, 软施加p
底边 (y=0)	u=0, v=0	∂p/∂n=0	硬施加
左边 (x=0)	u=0, v=0	∂p/∂n=0	硬施加
右边 (x=1)	u=0, v=0	∂p/∂n=0	硬施加

实际训练中发现，若压力边界条件权重过大，会导致速度场失真；若过小，压力场出现振荡。最终采用自适应权重：λ_p = 0.1·λ_u，并在训练后期固定。

2.3 典型流体与热传导方程

2.3.1 Navier-Stokes方程：不可压流的核心模型

不可压Navier-Stokes方程（无量纲形式）：

∇·u = 0
∂u/∂t + (u·∇)u = -∇p + (1/Re)·∇²u + f

其中Re为雷诺数。PINN处理NS方程的关键挑战：

• 速度-压力耦合：需要同时预测u, v, p三个场，且满足连续性方程约束
• 对流项非线性：(u·∇)u 导致损失函数非凸，训练易陷入局部最优
• 高雷诺数：Re增大时，解趋向湍流，PINN需要更多采样点和更深的网络

2.3.2 能量方程：热-流耦合的桥梁

对于不可压流中的热传递，能量方程可写为：

∂T/∂t + (u·∇)T = (1/(Re·Pr))·∇²T + Q

其中Pr为普朗特数，Q为热源项。PINN在处理热-流耦合时，通常将NS方程与能量方程联合求解，损失函数为：

L_total = L_NS + λ_T·L_energy

λ_T的选取需要平衡动量残差与能量残差。若λ_T过大，速度场精度下降；若过小，温度场误差增大。

2.3.3 热扩散方程：抛物型方程的典型代表

纯热扩散方程 ∂T/∂t = α∇²T 是PINN最易处理的方程之一，因为其解光滑且无间断。但需要注意：

• 时间尺度：热扩散时间尺度 τ = L²/α，采样时间范围应覆盖多个τ
• 初始条件敏感性：初始时刻的温度梯度可能很大，需要加密初始时刻的采样点
• 边界条件类型：不同边界条件组合（Dirichlet-Neumann混合）会影响解的形态

2.3.4 案例拆解：带热源的瞬态热传导

考虑二维瞬态热传导问题：

∂T/∂t = 0.5·(∂²T/∂x² + ∂²T/∂y²) + Q(x,y,t)
Q(x,y,t) = 10·exp(-((x-0.5)²+(y-0.5)²)/0.1)·sin(2πt)
域: [0,1]×[0,1], 时间: [0,1]
初始条件: T(x,y,0) = 0
边界条件: T|∂Ω = 0

PINN训练配置：

• 网络结构：4层全连接，每层50个神经元，tanh激活
• 采样点：域内10000个随机点，边界2000个点，初始时刻2000个点
• 优化器：Adam，学习率0.001，训练50000步
• 损失权重：λ_r=1, λ_ic=10, λ_bc=10

训练结果：最终相对L2误差为0.8%。若将热源项Q改为高频振荡（sin(10πt)），误差升至3.5%，需要增加时间方向采样密度或使用时间分段训练策略。

2.4 本章总结与常见误区

误区	后果	正确做法
忽略PDE类型差异，统一使用相同采样策略	双曲型问题在间断处产生振荡，椭圆型问题收敛慢	根据类型调整采样分布和损失权重
边界条件权重设置过大	域内残差被忽略，解在内部不满足PDE	使用自适应权重或硬施加
时间采样均匀分布	抛物型问题早期误差污染后期	使用因果权重或时间分段训练
对NS方程直接使用标准PINN	高Re下训练发散	采用课程学习、归一化、守恒变量
忽略初始条件的重要性	解在初始时刻偏差大，随时间累积	初始时刻采样点加密，权重提高

掌握PDE的数学分类与定解条件，是构建有效PINN模型的基础。在实际工程中，建议先对问题进行数学分析，明确方程类型和边界条件形式，再设计网络结构和损失函数。下一阶段将深入讨论PINN的网络架构设计与损失函数优化策略。