非标设备的数字孪生系统要求在实时约束下完成热-力耦合场的高保真仿真，而全阶有限元模型的计算耗时无法满足这一需求。本征正交分解（POD）通过提取高维解空间的主导模态实现降维，但纯数据驱动的降阶模型在长期外推中易出现精度退化。本文提出将物理守恒约束以硬约束方式嵌入POD-Galerkin降阶模型的框架，通过将控制方程的代数关系重构入神经网络的前向传播过程，确保降阶模型严格满足物理定律。在非稳态三维流动案例中，该方法将外推平均绝对误差降低48.1%，训练轮次减少20.6%，预测时间节省30.2%。
1 引言
数字孪生技术在非标设备运维中的应用日益广泛，其核心能力在于建立物理实体与虚拟模型之间的实时交互。然而，非标设备的热-力耦合场仿真通常涉及数十万甚至数百万自由度，直接求解全阶模型的时间成本使得实时仿真难以实现。以某型非标热处理设备为例，其温度场与应力场的耦合有限元分析单次求解耗时约30分钟，远无法满足数字孪生系统毫秒级响应的需求。
模型降阶技术通过在低维子空间中近似原系统的动力学行为，在保持关键物理特征的前提下大幅降低计算复杂度。POD方法通过奇异值分解从高保真快照数据中提取能量最优的主导模态，是最广泛使用的降维技术之一。然而，POD降阶模型面临两个根本性挑战：其一，纯数据驱动的模态截断导致降阶模型缺乏对控制方程中非线性项和参数变化的泛化能力；其二，降阶模型在长期时间积分中可能偏离物理约束（如质量守恒、能量守恒），导致精度渐进退化。
物理信息神经网络（PINN）为上述问题提供了解决思路，但其主流的软约束范式存在物理定律执行不严格、损失权重难以平衡等局限。本文提出硬约束POD-Galerkin框架，将控制方程的代数关系直接嵌入神经网络的前向传播过程，从根本上保证降阶模型对物理约束的严格满足。
时刻 t1,t2,…,tMt1,t2,…,tM 上的快照矩阵为 X=[x1,x2,…,xM]∈RN×MX=[x1,x2,…,xM]∈RN×M，其中 NN 为全阶自由度，MM 为快照数。POD通过求解特征值问题 XXTΦ=ΦΛXXTΦ=ΦΛ 获取正交模态 Φ=[ϕ1,…,ϕM]Φ=[ϕ1,…,ϕM] 和对应的特征值 λ1≥λ2≥⋯≥λM≥0λ1≥λ2≥⋯≥λM≥0。
选取前 rr 个模态构成降阶基 Φr=[ϕ1,…,ϕr]Φr=[ϕ1,…,ϕr]，降阶解近似为 x(t)≈Φra(t)x(t)≈Φra(t)，其中 a(t)∈Rra(t)∈Rr 为模态系数向量。模态数 rr 的选择通常以累积能量占比达到99%以上为标准。
将近似解代入控制方程并在降阶基上做Galerkin投影，得到关于模态系数 aa 的低维常微分方程组。以非稳态流动的Navier-Stokes方程为例，投影后的降阶方程为：dadt=ΦrTF(Φra)+ΦrTG(t)dtda=ΦrTF(Φra)+ΦrTG(t)
其中 FF 为非线性对流项和扩散项，GG 为边界条件项。降阶方程的求解规模从 NN 降至 rr，计算效率的提升可达数个数量级。
2.3 数据驱动降阶模型的精度退化问题
当降阶模型的模态系数由纯数据驱动方法（如神经网络）预测时，模型可能在训练数据覆盖的参数范围内表现良好，但在外推场景下出现显著精度退化。根本原因在于：数据驱动方法学习的是输入-输出映射的统计规律，而非控制方程的物理结构，因此无法保证预测解满足守恒律。
以热传导问题为例，纯数据驱动的降阶模型可能在温度场的空间分布预测上产生非物理的振荡或负值，违反热力学第二定律。在长期时间积分中，这类误差会累积放大，导致降阶模型完全失效。
3 硬约束物理嵌入框架
3.1 软约束与硬约束的对比
PINN的软约束范式将物理残差作为损失函数的一项，与数据拟合损失加权求和。训练过程通过最小化总损失来“鼓励”网络满足物理定律，但无法保证严格满足。损失权重的选择对训练结果影响显著，且在多物理场耦合问题中难以平衡。
硬约束范式通过重构网络的前向传播过程，使物理定律以代数约束的形式内嵌于网络结构中。具体而言，将控制方程的某些变量用其他变量的代数表达式替代，从而在结构上消除违反物理定律的可能性。
以不可压缩流动为例，压力Poisson方程将速度场与压力场耦合。在POD-Galerkin框架下，将速度场和压力场分别展开为模态系数的线性组合：u≈Φurau,p≈Φprapu≈Φurau,p≈Φprap
通过将压力Poisson方程投影到压力模态空间，可建立压力模态系数 apap 与速度模态系数 auau 之间的代数关系：ap=M−1C(au)ap=M−1C(au)
其中 MM 为压力模态的Laplacian矩阵投影，C(au)C(au) 为速度场对流项和边界条件对压力模态的贡献。这一代数关系被嵌入神经网络的前向传播层中，网络仅需预测速度模态系数，压力模态系数由代数关系直接计算，从而严格满足连续性方程。
3.3 约束嵌入对降阶模型泛化的增强机制
硬约束嵌入对降阶模型泛化能力的增强体现在两个层面。在结构层面，物理约束降低了模型的假设空间维度，消除了非物理解的存在可能性，使模型在训练数据未覆盖的参数区域仍能给出合理预测。在训练层面，硬约束减少了需要网络学习的自由度，降低了训练对数据量的依赖，同时避免了损失权重调节的困难。
4 非标设备热-力耦合场的降阶实现
4.1 热-力耦合方程的快照生成
非标设备的热-力耦合分析涉及温度场 T(x,t)T(x,t) 和位移场 u(x,t)u(x,t) 的联立求解。控制方程为热传导方程和弹性力学方程的耦合形式，温度场通过热膨胀系数影响应力场，应力场通过热弹效应影响温度场（在多数工程问题中后者的影响可忽略）。
快照数据的生成采用拉丁超立方抽样在设计参数空间内选取采样点，对每个采样点运行全阶有限元仿真，记录温度场和位移场的时间演化快照。
热-力耦合问题的降阶需处理温度场和位移场的不同物理量纲和空间分布特征。本文采用分块POD策略：分别对温度场快照和位移场快照进行POD分解，得到各自的降阶基，然后通过Galerkin投影将耦合方程投影到联合降阶空间。
耦合项的降阶处理是关键。温度对位移的影响通过热膨胀项 α∇Tα∇T 体现，该非线性项在降阶空间的投影需采用离散经验插值方法（DEIM）加速计算，避免遍历全阶网格。
5.2 能量守恒的长期保持
对于热传导问题，降阶模型的总能量在长时间积分中应单调递减（无内热源时）。纯数据驱动模型可能因累积误差出现能量非物理增长，而硬约束框架通过将能量守恒关系嵌入降阶方程的结构中，保证了长期积分的稳定性。
6 结论
本文提出了将物理约束以硬约束方式嵌入POD-Galerkin降阶模型的框架，用于非标设备数字孪生系统的实时热-力耦合仿真。核心贡献在于：（1）将压力Poisson方程重构为模态系数的代数关系并嵌入神经网络前向传播，实现了物理定律的严格满足；（2）分块POD策略有效处理了多物理场的量纲差异；（3）硬约束嵌入显著提升了降阶模型的外推泛化能力和长期积分稳定性。该方法为非标设备数字孪生的实时仿真提供了保精度、可泛化的技术路径。
中研高科教育
