面向 CAE 的物理约束参数裁剪与模型形式简化：可行性、推广性、误差边界与失效条件

Physics-Constrained Parameter Pruning for CAE: Generalization, Error Control, and Failure Modes

摘要

计算机辅助工程(CAE)已成为现代工程设计与分析的核心工具，但高保真物理模型的计算成本高昂且参数标定困难，严重制约了其在实时仿真、优化设计和数字孪生等领域的应用。工程师在实践中频繁采用经验性参数裁剪操作来简化模型，但这些操作缺乏统一的理论判据和误差控制机制，在关键工程应用中存在重大风险。

本文系统研究了目标量误差受控下的物理约束参数裁剪问题。首先，将参数裁剪操作系统化为六类算子并给出风险等级排序，明确界定了"参数裁剪"与"任意篡改物理公式"的本质区别。其次，提出了由敏感性-可辨识性联合判据、守恒性判据和稳定性判据构成的三元组可行性判据，证明了满足该判据的裁剪操作能够保证目标量误差在预设容限内。第三，推导了从代数模型到偏微分方程(PDE)模型的先验与后验误差界，给出了显式的上界表达式，并分析了多参数裁剪的非线性耦合效应。第四，构建了将物理约束作为硬约束嵌入的稀疏优化裁剪框架，设计了训练-插值-外推-极端工况四层验证策略。第五，系统识别了八类裁剪失效模式，每类均给出了预警指标和避免策略，并论证了三元组判据的完备性。最后，将裁剪与增参统一在同一对偶框架内，给出了保方向修改的合法性条件。

通过线弹性结构、热传导、流体力学和多物理耦合等多个算例验证了本文方法的有效性。结果表明，与单纯基于Sobol敏感性分析和SINDy稀疏辨识的方法相比，本文方法能够在更低误差下实现更高的计算加速比。本文的研究为CAE模型简化提供了系统的理论基础和可操作的工程指南。

关键词：计算机辅助工程；参数裁剪；模型简化；物理约束；误差控制；失效模式分析

Abstract

Computer-Aided Engineering (CAE) has become a core tool for modern engineering design and analysis. However, the high computational cost and parameter calibration difficulties of high-fidelity physical models severely limit their applications in real-time simulation, optimization design, and digital twins. Engineers frequently employ empirical parameter pruning operations to simplify models in practice, but these operations lack unified theoretical criteria and error control mechanisms, posing significant risks in critical engineering applications.

This paper systematically investigates the problem of physics-constrained parameter pruning under target quantity error control. First, we formalize parameter pruning operations into six categories of operators with risk ranking, and clearly define the essential difference between “parameter pruning” and “arbitrary tampering with physical formulas”. Second, we propose a tripartite feasibility criterion consisting of a joint sensitivity-identifiability criterion, a conservation criterion, and a stability criterion, and prove that pruning operations satisfying this criterion guarantee that the target quantity error is within the preset tolerance. Third, we derive a priori and a posteriori error bounds from algebraic models to partial differential equation (PDE) models, provide explicit upper bound expressions, and analyze the nonlinear coupling effects of multi-parameter pruning. Fourth, we construct a sparse optimization pruning framework that embeds physical constraints as hard constraints, and design a four-layer validation strategy: training-interpolation-extrapolation-extreme conditions. Fifth, we systematically identify eight categories of pruning failure modes, each with early warning indicators and avoidance strategies, and demonstrate the completeness of the tripartite criterion. Finally, we unify pruning and parameter augmentation in the same dual framework and provide the legitimacy conditions for direction-preserving modifications.

The effectiveness of the proposed method is verified through multiple examples including linear elastic structures, heat conduction, fluid mechanics, and multiphysics coupling. The results show that compared with methods based solely on Sobol sensitivity analysis and SINDy sparse identification, our method achieves higher computational speedup with lower error. This research provides a systematic theoretical foundation and operational engineering guidelines for CAE model simplification.

Keywords: Computer-Aided Engineering; Parameter Pruning; Model Simplification; Physics Constraints; Error Control; Failure Mode Analysis

---

第1章 引言

1.1 CAE 中高保真模型的成本与标定困境

计算机辅助工程(CAE)技术通过数值求解描述物理现象的偏微分方程，能够在产品设计阶段预测其性能表现，显著减少物理样机的制造和测试成本，已成为航空航天、汽车、能源、土木等领域不可或缺的设计工具。随着计算能力的提升和物理建模技术的发展，现代CAE模型的保真度不断提高，能够模拟越来越复杂的物理现象和工程系统。

然而，高保真模型的广泛应用面临着两个根本性挑战：计算成本高昂和参数标定困难。

首先，高保真模型通常包含数百万甚至数十亿个自由度，单次求解可能需要数小时甚至数天的计算时间。这使得需要大量模型评估的应用场景，如参数优化、不确定性量化、实时仿真和数字孪生等，变得几乎不可行。例如，在汽车碰撞安全分析中，一个完整的整车碰撞模型可能包含超过1000万个单元，单次仿真需要在高性能计算集群上运行数小时。如果要进行1000次参数扫描来优化碰撞性能，总计算时间将达到数千小时。

其次，高保真模型通常包含大量物理参数，这些参数需要通过实验数据进行标定。随着参数数量的增加，参数空间的维度呈指数增长，导致"维度灾难"。不仅标定所需的实验数据量急剧增加，而且参数之间的相关性使得标定问题变得病态，多个不同的参数组合可能产生几乎相同的模型输出，即参数不可辨识问题。例如，在复合材料力学模型中，可能包含数十个描述各向异性、损伤演化和界面行为的参数，而实验能够测量的宏观响应量通常只有几个，导致大部分参数无法被唯一确定。

1.2 工程实践中的参数裁剪现象与缺乏统一判据的问题

面对上述挑战，工程师在实践中发展出了各种经验性的模型简化方法，其中最常见的就是参数裁剪。参数裁剪是指通过各种方式减少模型的参数数量或简化参数的形式，以降低计算成本和标定难度。具体形式包括：

• 将参数固定为常数或标称值
• 将多个相关参数合并为无量纲组
• 删除方程中被认为"不重要"的物理项
• 用一个等效参数替代复杂的参数组
• 忽略小尺度或快过程的影响

这些经验性操作在特定工况下可能有效，并且已经被广泛应用于工程设计中。然而，这些操作往往基于工程师的个人经验和直觉，缺乏统一的理论基础和合法性论证。虽然经验丰富的工程师能够在熟悉的领域做出合理的简化判断，但当面对新的物理问题或复杂的多物理耦合系统时，经验性简化可能会导致严重的误差甚至定性错误。

更为严重的是，由于缺乏理论判据，经验性参数裁剪的适用范围和误差边界无法被系统评估。工程师无法预先知道在什么工况下简化模型会失效，也无法量化简化带来的误差大小。在安全关键的工程应用中，如航空发动机设计、核电设备分析和桥梁结构评估，这种不确定性可能会导致灾难性的后果。

1.3 研究问题：目标量误差受控的参数裁剪

本文不研究"物理公式能否被任意修改"这一哲学问题，而是聚焦于一个被严格定义的工程问题：在保证工程目标量误差不超过预设容限的前提下，如何系统地对CAE模型进行参数裁剪？

具体而言，我们将问题形式化如下：

给定：

• 高保真模型 $R(u;\theta ,\mu )=0$，其中 $R$ 是残差算子，$u$ 是待求物理场，$\theta \in {\mathbb{R}}^p$ 是物理参数向量，$\mu \in {\mathbb{R}}^d$ 是工况变量
• 工程目标量 $Q:\mathcal{U}\to \mathbb{R}$，是将物理场映射为工程关心的标量的泛函
• 工况范围 ${\Omega }_{\mathrm{op}}\subset {\mathbb{R}}^d$，表示模型需要适用的所有工况
• 误差容限 $\epsilon >0$，表示工程上可接受的最大目标量误差

问题：在何种条件下，可以构造一个裁剪模型 $\tilde{R}(\tilde{u};\varphi ,\mu )=0$，其中 $\varphi \in {\mathbb{R}}^q$ 是裁剪后的参数向量且 $q<p$，使得对于所有工况 $\mu \in {\Omega }_{\mathrm{op}}$，目标量误差满足：
$$\underset{\mu \in {\Omega }_{\mathrm{op}}}{\sup }|Q(u(\mu ))-Q(\tilde{u}(\mu ))|\le \epsilon$$

这个问题定义有三个关键特征：

1. 目标导向：我们只关心工程上真正重要的目标量 $Q$ 的误差，而不要求整个物理场 $u$ 都精确。这是工程简化与数学近似的本质区别。
2. 工况均匀性：要求误差在整个工况范围 ${\Omega }_{\mathrm{op}}$ 内都满足要求，而不仅仅是在几个特定的工况点上。
3. 先验可验证性：我们希望能够在不求解高保真模型的情况下，预先判断裁剪操作的合法性和误差大小。

1.4 与"任意篡改物理公式"的本质区别

在开始正式研究之前，必须明确界定本文所讨论的"参数裁剪"与"任意篡改物理公式"的本质区别。这是全文立论的基础，也是避免学术争议的关键。

核心立场：任意篡改物理公式不构成可靠的工程简化路径。本文将从定义出发，经过严密论证，最终得出结论：可推广的是判据与方法，而非具体被删除的参数。这一论断将在全文中形成"提出—定义—论证—升华"的递进结构。

简单来说，参数裁剪是在尊重物理基本定律的前提下，对模型的参数空间进行合理的重构和简化；而任意篡改则是直接改变控制方程的基本代数结构，可能违反质量守恒、动量守恒、能量守恒等基本物理定律。

本文第3章将给出这一区别的精确数学定义，第10章将进一步论证"保方向不蕴含定量可靠性"，即即使修改后的模型在定性趋势上与原模型一致，也不能保证其定量预测的准确性。

1.5 现有研究的局限

模型简化是一个历史悠久的研究领域，已经发展出了多种方法。然而，现有方法均未系统回答"目标量误差受控下的参数裁剪可行性"这一核心问题。

降阶建模(Reduced Order Modeling, ROM) 是目前最主流的模型简化方法，其核心思想是将高维的状态空间投影到一个低维子空间上。降阶建模可以分为两类：

• 状态空间降阶：如本征正交分解(POD)、降基法(Reduced Basis)、Koopman算子方法等，主要关注减少求解的自由度数量
• 参数空间降阶：如主动子空间方法、参数插值、高斯过程代理模型等，主要关注减少参数空间的维度

然而，降阶建模的目标是加速求解过程，而不是减少模型的物理参数数量。降阶后的模型通常仍然包含与原模型相同数量的物理参数，因此无法解决参数标定困难的问题。

全局敏感性分析(Global Sensitivity Analysis, GSA) 如Sobol方法、Morris方法、方差分解等，能够量化每个参数对目标量的影响程度，给出参数的重要性排序。然而，敏感性分析只能告诉我们哪些参数"不重要"，但不能直接给出"是否可以删除该参数"的判据。此外，单纯基于敏感性的裁剪方法忽略了参数之间的相关性和可辨识性问题，可能导致裁剪后的模型仍然存在不可辨识的参数。

量纲分析 基于物理定律的对称性，通过Buckingham π定理将多个参数合并为无量纲数。量纲分析是一种强大的模型简化工具，能够得到普适的结果。然而，量纲分析只能处理参数合并的问题，无法处理小量级物理项的删除问题，也不能给出误差的定量估计。

主动子空间方法 能够识别参数空间中对目标量影响最大的低维子空间，实现参数空间的降维。然而，主动子空间方法本质上是一种线性变换，它将原始参数组合成新的参数，但并没有真正删除任何物理参数。此外，主动子空间方法不考虑物理约束和可辨识性问题。

稀疏辨识 如SINDy(Sparse Identification of Nonlinear Dynamics)方法，能够从数据中自动发现控制方程的形式，选择最重要的方程项。然而，稀疏辨识方法通常是纯数据驱动的，缺乏物理约束的强制嵌入，可能生成不符合基本物理定律的模型形式。此外，稀疏辨识方法主要关注方程项的选择，而不是物理参数的裁剪。

物理约束机器学习 如物理信息神经网络(PINN)，能够将守恒律等物理约束嵌入到机器学习模型中。然而，物理约束机器学习主要关注数据驱动模型的构建，而不是既有物理模型的简化。

工程经验性简化方法 是工业界最常用的方法，包括经验性参数固定、基于工程经验的模型简化、设计规范中的简化方法等。这些方法在特定领域经过了长期的实践检验，但缺乏系统性和理论基础，难以推广到新的问题和领域。

综上所述，现有方法各有优缺点，但都没有系统地解决"目标量误差受控下的参数裁剪可行性"这一核心问题。本文的研究旨在填补这一空白。

1.6 本文贡献

本文的主要贡献包括：

1. 系统的参数裁剪算子分类学：将参数裁剪操作系统化为六类，并给出每类操作的风险等级排序和精确数学定义。明确界定了"参数裁剪"与"任意篡改物理公式"的本质区别。

2. 三元组可行性判据：将敏感性-可辨识性联合判据、守恒性判据与稳定性判据整合为可计算的充分条件。证明了满足该判据的裁剪操作能够保证目标量误差在预设容限内。

3. 先验与后验误差界：推导了从代数模型到PDE模型的目标量误差估计，给出了显式的上界表达式。分析了多参数裁剪的非线性耦合效应，指出了单纯基于单参数敏感性分析的缺陷。

4. 物理约束裁剪框架：构造了稀疏优化框架，将量纲、守恒与物理约束作为硬约束嵌入，同时引入可辨识性约束防止过度裁剪。设计了训练-插值-外推-极端工况四层验证策略。

5. 失效模式系统分析：识别了八类裁剪失效场景，每类均给出了失效机理、工程例子、预警指标和避免策略。论证了三元组判据的完备性，即所有已识别的失效模式均对应判据中一项或多项的违反。

6. 泛化边界与对偶框架：将裁剪与增参统一在同一框架内，给出了保方向修改的合法性条件。证明了"保方向不蕴含定量可靠性"，澄清了工程界的一个常见误解。

1.7 本文结构

本文共分为11章，组织结构如下：

第1章为引言，阐述了研究背景、问题定义、现有研究的局限和本文的主要贡献。

第2章为相关研究，系统综述了降阶建模、全局敏感性分析、量纲分析、稀疏辨识、贝叶斯标定、物理约束机器学习和工程经验性简化方法等相关领域的研究进展。

第3章为问题定义，给出了高保真模型、裁剪算子、工程目标量、工况域和误差容限的精确数学定义。明确界定了"参数裁剪"与"任意篡改物理公式"的本质区别，区分了物理参数与数值参数。

第4章为可行性的理论基础，分别讨论了敏感性分析、主动子空间、正则摄动与奇异摄动、可辨识性分析、物理约束和多尺度参数的可裁剪性条件。

第5章为误差边界，推导了代数模型和PDE模型的局部误差界、目标量误差的伴随估计、多参数累积裁剪的非线性耦合修正项、后验误差估计和工况均匀界。

第6章为物理约束参数裁剪框架，提出了候选参数筛选的双阈值机制、物理约束检查流程、稀疏优化形式、四层验证策略和自适应裁剪策略。

第7章为可行性判据，正式提出了三元组可行性判据，证明了判据与目标量误差的关联定理，讨论了判据的可计算性和推广性预检条件。

第8章为算例验证，通过线弹性结构、热传导、流体力学和多物理耦合等多个算例验证了本文方法的有效性，并与Sobol敏感性分析和SINDy稀疏辨识方法进行了对比。

第9章为失效模式分析，系统识别了八类裁剪失效模式，分析了每类失效的机理，给出了预警指标和避免策略，并论证了三元组判据的完备性。

第10章为推广方向，讨论了增参与公式修正问题，将裁剪与增参统一在同一对偶框架内，给出了保方向修改的合法性条件，并展望了在数字孪生中的应用前景。

第11章为结论，总结了本文的主要研究成果，指出了本文方法的局限性，并对未来的研究方向进行了展望。

---

第2章 相关研究

2.1 降阶建模

降阶建模是目前最活跃的模型简化研究领域，其核心目标是构造一个计算成本远低于原模型但精度相当的近似模型。降阶建模方法可以分为状态空间降阶和参数空间降阶两大类。

2.1.1 状态空间降阶建模

状态空间降阶建模的基本思想是：对于由偏微分方程描述的物理系统，其解通常位于一个低维的流形上。因此，可以将高维的状态空间投影到这个低维流形上，从而大幅减少求解的自由度数量。

本征正交分解(Proper Orthogonal Decomposition, POD) 是最经典的状态空间降阶方法。POD通过对一组高保真解样本进行奇异值分解(SVD)，得到一组正交基函数，这些基函数能够最优地表示解空间的能量。然后，将原方程投影到由前k个基函数张成的子空间上，得到一个k维的降阶模型。POD方法简单易用，在流体力学、结构力学等领域得到了广泛应用。然而，POD是一种数据驱动的方法，其基函数依赖于训练样本，缺乏外推能力。此外，对于非线性问题，POD降阶模型的计算复杂度仍然较高。

降基法(Reduced Basis Method, RB) 是一种针对参数化偏微分方程的高效降阶方法。与POD不同，降基法通过贪婪算法自适应地选择基函数，能够在保证精度的前提下使用更少的基函数。降基法还引入了严格的后验误差估计，能够量化降阶模型的误差。降基法在参数扫描、优化设计和不确定性量化等领域表现出色。然而，降基法主要适用于仿射参数化的问题，对于非仿射参数化的问题需要额外的处理。

Koopman算子方法 是一种基于动力系统理论的降阶方法。Koopman算子将非线性动力系统的状态演化映射到一个无限维的函数空间上的线性演化。通过近似Koopman算子的有限维表示，可以将非线性系统转化为线性系统，从而大幅简化分析和预测。Koopman算子方法在流体力学、控制理论等领域受到了广泛关注。然而，Koopman算子的精确近似仍然是一个具有挑战性的问题。

2.1.2 参数空间降阶建模

参数空间降阶建模的目标是减少参数空间的维度，从而降低参数扫描、优化和标定的计算成本。

主动子空间方法(Active Subspace Method) 是一种流行的参数空间降阶方法。主动子空间方法通过计算目标量关于参数的梯度的协方差矩阵，识别出参数空间中对目标量影响最大的低维子空间。然后，将原始参数投影到这个子空间上，得到低维的参数表示。主动子空间方法计算简单，易于实现，在工程优化和不确定性量化中得到了广泛应用。然而，主动子空间方法本质上是一种线性变换，它并没有真正删除任何物理参数，只是将它们组合成了新的参数。此外，主动子空间方法不考虑物理约束和可辨识性问题。

参数插值方法 通过在参数空间的离散点上预先计算高保真解，然后利用插值方法得到任意参数点上的近似解。常用的插值方法包括拉格朗日插值、径向基函数插值、克里金插值等。参数插值方法简单直观，适用于参数维度较低的情况。然而，随着参数维度的增加，插值所需的样本点数量呈指数增长，即"维度灾难"。

高斯过程(Gaussian Process, GP)代理模型 是一种基于贝叶斯统计的非参数代理模型。高斯过程能够通过少量的样本点构建目标量的概率分布模型，不仅能够给出预测值，还能给出预测的不确定性。高斯过程代理模型在参数优化和不确定性量化中表现出色。然而，高斯过程的计算复杂度为 $O(n^3)$，其中n是样本点数量，因此不适用于大规模数据集。

2.2 全局敏感性分析

全局敏感性分析是量化输入参数对输出目标量影响程度的重要工具。与局部敏感性分析不同，全局敏感性分析考虑了参数在整个取值范围内的变化，能够捕捉参数之间的非线性相互作用。

Sobol方法 是最常用的全局敏感性分析方法。Sobol方法基于方差分解，将目标量的总方差分解为各个参数的主效应和参数之间的交互效应。Sobol指数表示每个参数或参数组合对总方差的贡献比例。Sobol方法能够处理非线性和非单调的函数关系，结果可靠。然而，Sobol方法需要大量的样本点，计算成本较高。

Morris方法 是一种筛选型的全局敏感性分析方法。Morris方法通过在参数空间中随机生成轨迹，计算每个参数的基本效应的均值和标准差。均值表示参数的主效应，标准差表示参数的非线性效应和交互效应。Morris方法计算成本低，适用于参数维度较高的情况，能够快速筛选出不重要的参数。然而，Morris方法只能给出定性的敏感性排序，不能给出定量的敏感性指数。

方差分解方法 是一类基于方差分析的敏感性分析方法，包括傅里叶振幅灵敏度测试(FAST)、扩展傅里叶振幅灵敏度测试(EFAST)等。这些方法通过将目标量表示为傅里叶级数，然后计算每个参数对应的傅里叶系数的方差，从而得到敏感性指数。方差分解方法计算效率高，能够处理中等维度的参数空间。

全局敏感性分析是参数裁剪的重要基础，但它只能告诉我们哪些参数对目标量影响小，不能直接给出"是否可以删除该参数"的判据。此外，单纯基于敏感性的裁剪方法忽略了参数之间的相关性和可辨识性问题。

2.3 量纲分析与 Buckingham π 定理

量纲分析是一种基于物理定律对称性的强大模型简化工具。量纲分析的核心是Buckingham π定理，该定理指出：如果一个物理问题涉及n个物理量和k个基本量纲，那么这个问题可以用n-k个无量纲数来描述。

量纲分析能够将多个相关参数合并为无量纲数，从而大幅减少参数的数量。例如，在流体力学中，雷诺数(Re)、马赫数(Ma)、普朗特数(Pr)等无量纲数已经成为描述流动现象的基本工具。量纲分析得到的结果具有普适性，不依赖于具体的目标量和工况。

然而，量纲分析也有其局限性：

1. 量纲分析只能处理参数合并的问题，无法处理小量级物理项的删除问题
2. 量纲分析不能给出误差的定量估计
3. 量纲分析需要预先知道所有影响问题的物理量，否则会得到错误的结果

2.4 稀疏辨识与模型选择

稀疏辨识是近年来发展起来的一种从数据中自动发现控制方程的方法。稀疏辨识的基本思想是：大多数物理系统的控制方程都是稀疏的，即只包含少数几个重要的项。因此，可以通过稀疏回归方法从数据中选择最重要的方程项。

SINDy(Sparse Identification of Nonlinear Dynamics) 方法是最具代表性的稀疏辨识方法。SINDy方法首先构造一个包含大量候选项的库，然后使用LASSO回归等稀疏回归方法选择出对系统动态贡献最大的项，从而得到控制方程的稀疏表示。SINDy方法能够自动发现非线性动力系统的控制方程，在流体力学、化学动力学、生物学等领域得到了广泛应用。

然而，稀疏辨识方法也存在一些问题：

1. 稀疏辨识方法通常是纯数据驱动的，缺乏物理约束的强制嵌入，可能生成不符合基本物理定律的模型形式
2. 稀疏辨识方法的结果依赖于训练数据的质量和覆盖范围，缺乏外推能力
3. 稀疏辨识方法主要关注方程项的选择，而不是物理参数的裁剪

2.5 Bayesian 标定与模型形式不确定性

贝叶斯标定是一种基于贝叶斯统计的模型参数标定方法。贝叶斯标定将参数视为随机变量，通过贝叶斯定理将先验信息和实验数据结合起来，得到参数的后验概率分布。贝叶斯标定不仅能够给出参数的最优估计值，还能给出参数的不确定性。

在贝叶斯标定框架下，模型形式不确定性可以通过贝叶斯模型平均(Bayesian Model Averaging, BMA)来处理。贝叶斯模型平均考虑多个可能的模型形式，根据每个模型的后验概率对预测结果进行加权平均。

然而，贝叶斯标定的计算成本很高，特别是对于高维参数空间和复杂的物理模型。此外，贝叶斯模型平均需要预先指定所有可能的模型形式，这在实际应用中往往是不可能的。

2.6 物理约束机器学习

物理约束机器学习是近年来机器学习领域的一个热门研究方向。物理约束机器学习的核心思想是将物理定律、守恒律、边界条件等先验知识嵌入到机器学习模型中，从而提高模型的泛化能力和物理一致性。

物理信息神经网络(Physics-Informed Neural Networks, PINN) 是最具代表性的物理约束机器学习方法。PINN将控制方程的残差作为正则项加入到神经网络的损失函数中，使得神经网络的输出自动满足控制方程。PINN能够求解正问题和反问题，在流体力学、固体力学、热传导等领域得到了广泛应用。

然而，物理约束机器学习主要关注数据驱动模型的构建，而不是既有物理模型的简化。此外，PINN的训练过程不稳定，容易陷入局部最优解，对于复杂的物理问题和高维空间的求解仍然具有挑战性。

2.7 工程经验性简化方法

工程经验性简化方法是工业界最常用的模型简化方法。这些方法是工程师在长期的实践中积累起来的，包括：

• 经验性参数固定：将一些被认为"不重要"的参数固定为标称值
• 基于工程经验的模型简化：如将三维模型简化为二维模型，将非线性模型简化为线性模型
• 设计规范中的简化方法：如建筑结构设计规范中的简化计算公式

这些方法在特定领域经过了长期的实践检验，简单易用，计算成本低。然而，这些方法缺乏系统性和理论基础，难以推广到新的问题和领域。此外，这些方法的适用范围和误差边界无法被系统评估，在关键工程应用中存在风险。

---

第3章 问题定义

本章将给出本文研究问题的精确数学定义。首先定义高保真CAE模型的一般形式，然后系统分类参数裁剪算子，明确界定"参数裁剪"与"任意篡改物理公式"的本质区别，最后定义工程目标量、工况域和误差容限。

3.1 高保真模型 $R(u;\theta ,\mu )=0$ 的形式化设定

任一高保真CAE模型都可以表示为一个残差方程：
$$R(u;\theta ,\mu )=0$$
其中：

• $u\in \mathcal{U}$ 是待求的物理场，$\mathcal{U}$ 是适当的函数空间（如Sobolev空间）
• $\theta =({\theta }_1,{\theta }_2,\dots ,{\theta }_p{)}^T\in {\mathbb{R}}^p$ 是物理参数向量，描述了系统的固有属性
• $\mu =({\mu }_1,{\mu }_2,\dots ,{\mu }_d{)}^T\in {\mathbb{R}}^d$ 是工况变量向量，描述了系统的外部条件（如载荷、边界条件、初始条件等）
• $R:\mathcal{U}\times {\mathbb{R}}^p\times {\mathbb{R}}^d\to \mathcal{V}$ 是残差算子，$\mathcal{V}$ 是对偶空间

这个形式化定义非常通用，能够涵盖绝大多数CAE模型，包括：

• 代数模型：如电路模型、弹簧-质量系统模型
• 常微分方程(ODE)模型：如动力学系统模型、化学反应动力学模型
• 偏微分方程(PDE)模型：如结构力学中的弹性力学方程、流体力学中的Navier-Stokes方程、热传导方程等

对于PDE模型，残差算子 $R$ 通常包含微分算子、边界条件和初始条件。例如，稳态热传导方程可以表示为：
$$R(u;\theta ,\mu )=-\nabla \cdot (k(\theta )\nabla u)-q(\mu )=0\text{在}\Omega \text{内}$$
$$u=u_D(\mu )\text{在}\partial {\Omega }_D\text{上}$$
$$k(\theta )\frac{\partial u}{\partial n}=h(\mu )(u-u_{\infty }(\mu ))\text{在}\partial {\Omega }_N\text{上}$$
其中 $k(\theta )$ 是热传导系数，$q(\mu )$ 是内热源，$u_D(\mu )$ 是Dirichlet边界条件，$h(\mu )$ 是对流换热系数，$u_{\infty }(\mu )$ 是环境温度。

3.2 裁剪算子的分类学：删除、固定、合并、替代、删项、增参

术语精确定义：本文所定义的"参数裁剪"是一个广义概念，泛指对模型参数空间的所有重构操作，包括参数的减少、固定、合并、替代、方程项的删除以及为了补偿误差而进行的参数增加。其核心特征是不改变控制方程的基本代数结构，仅在参数空间内进行变换。这一界定是全文立论的基础，也是与"任意篡改物理公式"的本质区别所在。

操作分类：我们将参数裁剪操作分为六类，前五类是狭义的参数裁剪，本质是对参数空间的降维投影；第六类"增参"在操作方向上相反，属于参数空间的扩充，但它与前五类共享同一个可辨识性与误差控制的理论框架（详见第10章），因此在分类学中被保留为对偶算子。

风险等级排序：六类操作按合法性强度与风险等级从低到高排序如下：

风险等级	操作	合法性条件
最低	固定	参数对目标量不敏感
低	合并	满足量纲一致性，参数组在主动子空间内
中等	删除	满足敏感性判据和可辨识性判据
较高	删项	非最高阶项，不改变方程类型
较高	替代	满足等效性条件，误差可控
最高	增参	满足可辨识性约束，防止过拟合

下面给出每类操作的精确数学定义：

1. 删除(Deletion)：从参数集合中完全移除某一参数。
   ϕ=θ∖{θi} \phi = \theta \setminus \{\theta_i\} ϕ=θ∖{θi​}
   例如，在热传导模型中删除辐射换热系数，意味着忽略辐射换热的影响。

2. 固定(Fixation)：将参数固定为一个常数或标称值。
   $${\varphi }_i=c_i(\text{常数})$$
   例如，将材料的弹性模量固定为室温下的标称值，忽略温度对弹性模量的影响。

3. 合并(Merging)：将多个相关参数合并为一个新的参数。
   $${\varphi }_j=f({\theta }_{i1},{\theta }_{i2},\dots ,{\theta }_{ik})$$
   其中 $f$ 是一个函数。最常见的合并操作是基于量纲分析的无量纲化，例如将密度 $\rho$、速度 $V$ 和长度 $L$ 合并为雷诺数 $Re=\rho VL/\mu$。

4. 替代(Substitution)：用一个参数替代另一个参数或参数组。
   $${\varphi }_j=g({\theta }_i)$$
   例如，用一个等效阻尼系数替代结构的多个模态阻尼系数。

5. 删项(Term Deletion)：删除残差方程中的某一物理项。
   $$\tilde{R}=R-{\theta }_i{R}_i$$
   其中 $R_i$ 是残差方程中的某一项，${\theta }_i$ 是该项的系数。例如，在Navier-Stokes方程中删除对流项，得到Stokes方程。

6. 增参(Parameter Augmentation)：在参数集合中增加一个新的修正参数。
   ϕ=θ∪{α} \phi = \theta \cup \{\alpha\} ϕ=θ∪{α}
   例如，在简化模型中增加一个修正系数来补偿裁剪带来的误差。

需要强调的是，所有这些操作都没有改变残差算子 $R$ 本身的基本代数结构，只是改变了参数的数量和取值。例如，删项操作只是将某一项的系数设为零，而不是改变方程的形式。这一点将在第3.4节中进一步阐述。

3.3 工程目标量 $Q$、工况域 ${\Omega }_{\mathrm{op}}$ 与容限 $\epsilon$ 的定义

工程目标量 $Q:\mathcal{U}\to \mathbb{R}$ 是将物理场映射为工程关心的标量的泛函。工程目标量通常是系统的性能指标，如结构的最大应力、最大位移、固有频率，流体的压力降、流量，热系统的最高温度、热效率等。

例如，结构力学中的最大位移可以表示为：
$$Q(u)=\underset{x\in \Omega }{\max }|u(x)|$$
或者更一般地，可以表示为一个积分泛函：
$$Q(u)={\int }_{\Omega }f(u(x),\nabla u(x))dx$$

多目标量情形：当存在多个工程目标量 $Q_1,Q_2,\dots ,Q_m$ 时，裁剪可行性要求所有目标量的误差均满足各自的容限 ${\epsilon }_1,{\epsilon }_2,\dots ,{\epsilon }_m$。多目标量情形可以通过加权误差或Pareto前沿进行处理。

工况域 ${\Omega }_{\mathrm{op}}\subset {\mathbb{R}}^d$ 是模型需要适用的所有工况的集合。工况域通常是一个紧致的超矩形：
$${\Omega }_{\mathrm{op}}=[{\mu }_1^{\min },{\mu }_1^{\max }]\times [{\mu }_2^{\min },{\mu }_2^{\max }]\times \cdots \times [{\mu }_d^{\min },{\mu }_d^{\max }]$$
其中 ${\mu }_i^{\min }$ 和 ${\mu }_i^{\max }$ 分别是第i个工况变量的最小值和最大值。

误差容限 $\epsilon >0$ 是工程上可接受的最大目标量误差。误差容限通常由工程规范、设计要求或安全标准确定。例如，在结构设计中，应力的误差容限可能设为5%，而位移的误差容限可能设为10%。

3.4 与"任意篡改物理公式"的本质区别

在第1.4节中，我们初步提出了"参数裁剪"与"任意篡改物理公式"的本质区别。现在，我们给出这一区别的精确数学定义。

定义3.1（参数裁剪模型族）：给定高保真模型 $R(u;\theta ,\mu )=0$，由六类裁剪算子生成的所有可能的模型构成一个模型族，记为 $\mathcal{M}(R)$。即，$\tilde{R}\in \mathcal{M}(R)$ 当且仅当 $\tilde{R}$ 可以通过对 $R$ 应用有限次上述六类裁剪算子得到。

定义3.2（任意篡改）：如果一个修改后的模型 $\tilde{R}$ 不属于模型族 $\mathcal{M}(R)$，则称该修改为"任意篡改物理公式"。

换句话说，"任意篡改物理公式"是指改变残差算子 $R$ 本身的代数结构，而不仅仅是改变参数的数量和取值。例如：

• 将线性弹性模型中的胡克定律 $\sigma =E\epsilon$ 改为 $\sigma =E{\epsilon }^2$
• 将热传导方程中的拉普拉斯算子 ${\nabla }^{2}u$ 改为 $\nabla u$
• 在Navier-Stokes方程中添加一个没有物理依据的人工项

这些操作都改变了控制方程的基本代数结构，因此属于"任意篡改"。

本文后续将严格论证：保方向不蕴含定量可靠性，任意篡改不构成可靠的工程简化路径。即使修改后的模型在定性趋势上与原模型一致，也不能保证其定量预测的准确性。

3.5 数值参数与物理参数的边界

在CAE模型中，参数可以分为两类：物理参数和数值参数。

物理参数是模型所要描述的物理系统的固有属性，如弹性模量、黏度、密度、导热系数、比热容等。物理参数具有明确的物理意义和量纲，其取值可以通过实验测量得到。

数值参数是离散求解过程中引入的人为设置，如网格尺寸、时间步长、收敛阈值、罚因子、人工粘性系数等。数值参数不具有物理意义，其取值是为了保证数值求解的稳定性、精度和效率。

本文主要关注物理参数的裁剪，但部分判据（特别是稳定性判据）在原则上也适用于数值参数的调整。

重要警示：数值参数与物理参数的混淆是导致裁剪失效的重要原因之一（详见第9.7节）。将数值参数误认为物理参数进行裁剪，会导致数值误差与物理误差混淆，无法正确评估模型的预测能力；将物理参数误认为数值参数进行调整，会破坏模型的物理一致性，导致跨工况外推失效。

---

第4章 可行性的理论基础

本章将讨论参数裁剪可行性的理论基础。我们将分别从敏感性分析、主动子空间、正则摄动与奇异摄动、可辨识性分析、物理约束和多尺度参数等多个角度，探讨参数可裁剪的条件。

4.1 敏感性：归一化敏感度 $S_i$ 与低敏感参数的可裁剪性

敏感性分析是参数裁剪的最基本工具。如果一个参数对目标量的影响很小，那么删除或固定该参数对目标量的误差影响也很小。

为了量化参数对目标量的影响，我们定义归一化伴随敏感度：
$$S_i^Q(\mu ):=\frac{|⟨z(\mu ),{\partial }_{{\theta }_i}R(\mu )⟩|\cdot |{\theta }_i|}{|Q(u(\mu ))|+ϵ}$$
其中：

• $z(\mu )$ 是伴随场，满足伴随方程 ${\left(\frac{\partial R}{\partial u}\right)}^{\ast }z=Q^{\prime }(u)$
• $⟨\cdot ,\cdot ⟩$ 是适当的内积
• $ϵ$ 是一个小的正数，用于避免分母为零
• $|{\theta }_i|$ 和 $|Q(u(\mu ))|$ 用于归一化，使得敏感度具有无量纲的形式

归一化伴随敏感度 $S_i^Q(\mu )$ 度量了参数 ${\theta }_i$ 的单位相对变化对目标量的相对影响。例如，如果 $S_i^Q=0.01$，则意味着参数 ${\theta }_i$ 变化1%，目标量大约变化0.01%。

当 $S_i^Q\to 0$ 时，参数的微小变化几乎不影响目标量，因此该参数是裁剪的首要候选。然而，需要注意的是，低敏感性只是参数可裁剪的必要条件，而非充分条件。一个参数可能对目标量不敏感，但如果它与其他参数高度相关，删除它可能会影响其他参数的可辨识性。

伴随敏感度的计算需要求解伴随方程。对于线性问题，伴随方程与原方程具有相同的系数矩阵，因此只需要一次额外的求解即可得到所有参数的敏感度。对于非线性问题，伴随方程是线性的，但系数矩阵依赖于原方程的解。

4.2 参数组的等效降维与主动子空间

在许多实际问题中，多个参数可能会以某种组合的形式共同影响目标量。在这种情况下，我们可以将这些参数合并为一个或几个新的参数，从而实现参数空间的降维。

量纲分析和主动子空间方法是两种常用的参数组合方法，但它们的本质不同：

• 量纲分析基于物理定律的对称性（Buckingham π定理），能够得到普适的无量纲数，不依赖于具体的目标量和工况。量纲分析的结果具有物理意义，能够推广到不同的系统和工况。
• 主动子空间方法基于数据驱动，识别特定问题和特定目标量下的有效参数组合。主动子空间方法能够处理复杂的非线性关系，但结果依赖于训练数据和目标量。

两者的关系：量纲分析是主动子空间方法的一种特殊情形——当参数组可合并为无量纲数时，主动子空间正好由这些无量纲数张成。前者具有普适性但适用范围有限，后者具有针对性但依赖数据。

主动子空间的数学定义：设 $f(\theta )$ 是目标量关于参数的函数，其梯度为 ${\nabla }_{\theta }f(\theta )$。梯度的协方差矩阵为：
$$C=\mathbb{E}\left[({\nabla }_{\theta }f)({\nabla }_{\theta }f{)}^T\right]$$
对协方差矩阵 $C$ 进行特征值分解：
$$C=W\Lambda W^T$$
其中 $\Lambda =\text{diag}({\lambda }_1,{\lambda }_2,\dots ,{\lambda }_p)$ 是特征值矩阵，且 ${\lambda }_1\ge {\lambda }_2\ge \cdots \ge {\lambda }_p\ge 0$；$W=[w_1,w_2,\dots ,w_p]$ 是对应的特征向量矩阵。

如果前k个特征值远大于其余的特征值，那么参数空间中存在一个k维的主动子空间，由特征向量 $w_1,w_2,\dots ,w_k$ 张成。目标量在这个子空间上的变化最为显著，而在正交补空间上的变化可以忽略不计。因此，我们可以将原始参数投影到主动子空间上，得到k个新的参数：
$${\eta }_i=w_i^T\theta ,i=1,2,\dots ,k$$
从而实现参数空间从p维到k维的降维。

4.3 小量级物理项：正则摄动与受控误差

当某一物理项的系数 ${\theta }_i$ 量级远小于其他项时，我们可以考虑删除该项。这种情况下，我们可以使用正则摄动理论来分析删除该项带来的误差。

设原方程为：
$$R_0(u)+{\theta }_i{R}_1(u)=0$$
其中 $R_0(u)$ 是主导项，${\theta }_i{R}_1(u)$ 是小量级项，且 $|{\theta }_i|\ll 1$。

我们可以将解 $u$ 展开为 ${\theta }_i$ 的幂级数：
$$u=u_0+{\theta }_i{u}_1+{\theta }_i^2{u}_2+\cdots$$
将其代入原方程，按 ${\theta }_i$ 的幂次整理：

• ${\theta }_i^0$ 阶：$R_0(u_0)=0$
• ${\theta }_i^1$ 阶：$\frac{\partial R_0}{\partial u}(u_0)u_1+R_1(u_0)=0$
• ${\theta }_i^2$ 阶：$\frac{\partial R_0}{\partial u}(u_0)u_2+\frac{1}{2}\frac{{\partial }^2{R}_0}{\partial u^2}(u_0)u_1^2+\frac{\partial R_1}{\partial u}(u_0)u_1=0$
• …

删去小量级项 ${\theta }_i{R}_1(u)$ 相当于取零阶近似 $u\approx u_0$，误差为 $O({\theta }_i)$。只要 ${\theta }_i$ 充分小且不出现在主导项中，误差就是可控的。

例如，在低马赫数流动中，压缩性项的系数很小，因此可以将可压缩流动简化为不可压缩流动，误差为 $O(M{a}^2)$。

4.4 奇异摄动情形与方程阶数变化的禁区

需要特别注意的是，当小参数乘在最高阶导数项上时，正则摄动理论不再适用，这种情况称为奇异摄动。在奇异摄动情形下，删除小参数项会导致方程阶数降低，从而丢失重要的解结构，导致全局误差。

典型反例：考虑边界层方程：
$$\epsilon u^{\prime \prime }+u^{\prime }=0,u(0)=0,u(1)=1$$
其中 $\epsilon \ll 1$ 是黏性系数，乘在最高阶导数项 $u^{\prime \prime }$ 上。

原方程的精确解为：
$$u(x)=\frac{1-e^{-x/\epsilon }}{1-e^{-1/\epsilon }}$$
这个解在 $x=0$ 附近有一个很薄的边界层，厚度为 $O(\epsilon )$。在边界层内，解变化非常剧烈；在边界层外，解近似为常数。

如果我们删除黏性项 $\epsilon u^{\prime \prime }$，得到简化方程：
$$u^{\prime }=0,u(0)=0,u(1)=1$$
这个方程是一阶的，无法同时满足两个边界条件。无论我们满足哪个边界条件，都会得到一个常数解，与原解相差甚远。特别是在边界层内，误差呈指数放大。

判据意义：对于乘在最高阶导数项上的参数，无论其量级多小，均不可直接裁剪。这一约束将在第7章的稳定性判据 ${\mathcal{C}}_{\mathrm{stab}}$ 中形式化。

4.5 可辨识性：Fisher 信息矩阵的谱分析

可辨识性是指通过实验数据唯一确定模型参数的能力。如果一个参数是不可辨识的，那么不同的参数值会产生几乎相同的模型输出，因此无法通过实验数据区分。

Fisher信息矩阵(Fisher Information Matrix, FIM) 是量化参数可辨识性的重要工具。对于参数 $\theta$，Fisher信息矩阵定义为：
$$F_{ij}=\sum _k\frac{1}{{\sigma }_k^2}\frac{\partial y_k}{\partial {\theta }_i}\frac{\partial y_k}{\partial {\theta }_j}$$
其中 $y_k$ 是第k个测量量，${\sigma }_k$ 是第k个测量量的噪声标准差。

Fisher信息矩阵的特征值反映了参数空间中各个方向的可辨识性程度。如果Fisher信息矩阵有一个或多个近零特征值，那么对应的特征向量方向是不可辨识的。也就是说，参数沿着这些方向的变化对模型输出的影响很小，无法通过实验数据检测到。

核心观点：不可辨识参数对目标量的影响无法通过实验数据与其它参数的影响区分开来。因此，裁剪这些参数不仅不会降低模型的预测能力，反而会减少冗余自由度，提高模型的标定精度和数值稳定性。这是可辨识性作为裁剪判据补充的理论依据。

例如，在一个弹簧-质量系统中，如果我们只能测量系统的固有频率 $\omega =\sqrt{k/m}$，那么参数 $k$ 和 $m$ 是不可辨识的——我们只能确定它们的比值 $k/m$，而无法单独确定 $k$ 和 $m$。在这种情况下，我们可以将其中一个参数固定为任意值，或者将它们合并为一个参数 $\omega$，而不会影响模型的预测能力。

4.6 守恒、稳定、正定等物理约束

控制方程所承载的守恒律（质量、动量、能量）、稳定性条件和正定性约束（如热力学第二定律）构成了裁剪操作不可逾越的物理边界。

任何裁剪操作都不能破坏基本的物理守恒律。例如，在流体力学模型中，裁剪操作不能破坏质量守恒；在热力学模型中，裁剪操作不能破坏能量守恒和熵增原理。

稳定性是指系统对小扰动的响应是有界的。裁剪操作不能使原本稳定的系统变得不稳定。例如，在结构动力学模型中，裁剪操作不能导致刚度矩阵非正定，否则系统会出现无意义的负刚度模态。

正定性约束是指某些物理量必须始终为正。例如，密度、温度、熵等物理量不能为负。裁剪操作不能导致这些物理量出现负值。

这些物理约束是参数裁剪的硬约束，任何违反这些约束的裁剪操作都是非法的，无论其对目标量的误差影响有多小。

4.7 多尺度参数的可裁剪性条件

多尺度问题是CAE中常见的一类问题，其特点是系统的行为由多个不同尺度的物理过程共同决定。多尺度问题可以分为三类：

1. 空间多尺度：微观结构参数对宏观力学性能的影响，如复合材料微观夹杂的尺寸、分布、形状对宏观等效模量的影响
2. 时间多尺度：快速弛豫过程对慢变系统的影响，如化学反应的快反应对慢流场的影响，分子振动对宏观热传导的影响
3. 量级多尺度：参数值相差几个数量级的情况，如材料的各向异性参数，其中某些方向的模量比其他方向大几个数量级

可裁剪性条件：多尺度参数可被裁剪的充分条件为：

1. 参数所控制的小尺度过程与宏观目标量之间的伴随投影在工况域内一致小
2. 通过均质化或平均化后，小尺度过程对宏观量的贡献可用等效参数表示

违反这些条件将导致第9.8节所述的多尺度失效模式。

例如，在复合材料宏观力学分析中，如果我们只关心结构的整体变形，那么微观夹杂的具体位置和形状对宏观变形的影响很小。我们可以通过均质化方法得到复合材料的宏观等效模量，然后用这个等效模量进行宏观分析，而不需要显式建模微观结构。在这种情况下，微观结构参数是可裁剪的。

然而，如果我们关心的是复合材料的局部损伤和断裂，那么微观夹杂的位置和形状就变得非常重要，不能被裁剪。

---

第5章 误差边界

本章将推导参数裁剪带来的目标量误差的上界。我们将从简单的代数模型开始，逐步推广到复杂的PDE模型，讨论先验误差界和后验误差界，以及多参数裁剪的非线性耦合效应。

5.1 代数模型的局部误差界

首先考虑最简单的代数模型：
$$R(u;\theta )=u-f(\theta )=0$$
其解为 $u(\theta )=f(\theta )$。目标量为 $Q(u)=u$。

假设我们将参数 $\theta$ 裁剪为 $\varphi$，裁剪误差为 $\delta =\theta -\varphi$。则目标量误差为：
$$|Q(u(\theta ))-Q(u(\varphi ))|=|f(\theta )-f(\varphi )|$$

根据泰勒展开，在 $\varphi$ 附近有：
$$f(\theta )=f(\varphi )+{\nabla }_{\theta }f(\varphi )\cdot (\theta -\varphi )+\frac{1}{2}(\theta -\varphi {)}^T{\nabla }_{\theta }^{2}f(\varphi )(\theta -\varphi )+O(\Vert \delta {\Vert }^3)$$

因此，误差的上界为：
$$|f(\theta )-f(\varphi )|\le \Vert {\nabla }_{\theta }f(\varphi )\Vert \cdot \Vert \delta \Vert +\frac{1}{2}\Vert {\nabla }_{\theta }^{2}f(\varphi )\Vert \cdot \Vert \delta {\Vert }^2+O(\Vert \delta {\Vert }^3)$$

这就是代数模型的局部误差界。其中第一项是线性误差项，第二项是二阶非线性误差项。当 $\Vert \delta \Vert$ 很小时，线性项主导误差；当 $\Vert \delta \Vert$ 较大时，非线性项变得重要。

5.2 PDE 模型的能量范数误差界

对于PDE模型，我们通常在能量范数下度量解的误差。设原模型的解为 $u$，裁剪模型的解为 $\tilde{u}$，则能量范数误差为 $\Vert u-\tilde{u}{\Vert }_E$。

对于线性椭圆型PDE，我们有以下先验误差界：
$$\Vert u-\tilde{u}{\Vert }_E\le C\underset{\theta \in \Theta }{\sup }\Vert R(\tilde{u};\theta ){\Vert }_{E^{\prime }}$$
其中 $C$ 是一个常数，依赖于方程的系数和求解域，$\Vert \cdot {\Vert }_{E^{\prime }}$ 是对偶能量范数。

这个误差界表明，解的能量范数误差可以由裁剪模型的残差在对偶能量范数下的上界来控制。

对于非线性PDE，误差界的推导更为复杂，通常需要假设非线性项是Lipschitz连续的，并且解是唯一的。在这些假设下，我们可以得到类似的误差界，但常数 $C$ 会依赖于解的大小。

5.3 目标量误差 $|Q(u)-Q(\tilde{u})|$ 的伴随估计

在工程应用中，我们通常不关心整个物理场的误差，而只关心特定目标量的误差。伴随方法是计算目标量误差的强大工具。

设原模型满足 $R(u;\theta )=0$，裁剪模型满足 $\tilde{R}(\tilde{u};\varphi )=0$。目标量为 $Q(u)$。

引入伴随场 $z$，满足伴随方程：
$${\left(\frac{\partial R}{\partial u}(u)\right)}^{\ast }z=Q^{\prime }(u)$$
其中 ${\left(\frac{\partial R}{\partial u}\right)}^{\ast }$ 是原方程线性化算子的伴随算子，$Q^{\prime }(u)$ 是目标量的Fréchet导数。

利用伴随性质，我们可以将目标量误差表示为：
$$Q(\tilde{u})-Q(u)=⟨z,R(\tilde{u};\theta )⟩+O(\Vert u-\tilde{u}{\Vert }^2)$$

因此，目标量误差的上界为：
$$|Q(\tilde{u})-Q(u)|\le |z|\cdot |\frac{\partial R}{\partial \theta }(\varphi -\theta )|+O({\delta }^2)$$

这个误差界的优越性在于：仅当伴随场 $z$ 与残差参数导数在积分意义下有显著重叠时，被裁剪参数才对目标量产生显著影响。如果伴随场在某个区域很小，那么即使该区域的残差很大，对目标量的影响也很小。

例如，在结构力学中，如果我们关心的是结构某一点的位移，那么伴随场在该点附近很大，而在其他区域很小。因此，只有该点附近的参数裁剪会对目标量产生显著影响，而远离该点的参数裁剪对目标量的影响很小。

5.4 多参数累积裁剪的非线性耦合修正项

当我们同时裁剪多个参数时，总误差不是单参数误差的简单相加，因为参数之间存在非线性耦合效应。

设裁剪集合为 I⊂{1,…,p}I \subset \{1,\dots,p\}I⊂{1,…,p}，即我们裁剪参数 ${\theta }_i,i\in I$。将目标量误差展开为泰勒级数：
$$|Q(\tilde{u})-Q(u)|\le \sum _{i\in I}|⟨z,{\partial }_{{\theta }_i}R⟩|\cdot {\delta }_i+\frac{1}{2}\sum _{i,j\in I}{H}_{ij}{\delta }_i{\delta }_j+O({\delta }^3)$$
其中 $H_{ij}$ 是Hessian矩阵的元素，表示参数 ${\theta }_i$ 和 ${\theta }_j$ 之间的二阶交互效应。

重要警示：交互项 $H_{ij}$ 的存在意味着，当裁剪多个参数时，总误差可能远大于单参数误差之和。这是单纯基于单参数敏感性分析的裁剪方法的主要缺陷，也是本文引入联合判据和稀疏优化框架的直接动因。

例如，假设我们有两个参数 ${\theta }_1$ 和 ${\theta }_2$，它们的单参数误差都是1%，但它们的交互项是3%。那么同时裁剪这两个参数的总误差可能达到5%，远大于单参数误差之和2%。

5.5 后验误差估计

先验误差界需要知道原模型的解 $u$，这在实际应用中往往是不可能的，因为我们正是为了避免求解高保真模型才进行参数裁剪的。

后验误差估计不需要知道原模型的解，只需要裁剪模型的解 $\tilde{u}$ 和伴随场 $z$。基于残差的后验误差界为：
$$|Q(u)-Q(\tilde{u})|\le |⟨z,R(\tilde{u};\theta )⟩|$$

这个误差界的推导基于以下观察：原模型的解 $u$ 满足 $R(u;\theta )=0$，因此：
$$Q(u)=Q(u)-⟨z,R(u;\theta )⟩$$
而裁剪模型的解 $\tilde{u}$ 不满足原方程，因此：
$$Q(\tilde{u})=Q(\tilde{u})-⟨z,R(\tilde{u};\theta )⟩+⟨z,R(\tilde{u};\theta )⟩$$

两式相减，得到：
$$Q(\tilde{u})-Q(u)=\left[Q(\tilde{u})-Q(u)-⟨z,R(\tilde{u};\theta )-R(u;\theta )⟩\right]+⟨z,R(\tilde{u};\theta )⟩$$

根据中值定理，方括号内的项是 $O(\Vert u-\tilde{u}{\Vert }^2)$。因此，在小误差假设下，我们有：
$$Q(\tilde{u})-Q(u)\approx ⟨z,R(\tilde{u};\theta )⟩$$

工程优势：后验误差界不需要知道高保真解 $u$，只需要裁剪解 $\tilde{u}$ 和伴随场 $z$。这意味着可以在不知道高保真结果的情况下评估裁剪模型的误差——这是后验误差界在工程应用中的最大优势，使其成为裁剪模型验证的首选工具。

5.6 工况均匀界

为了保证裁剪模型在整个工况域 ${\Omega }_{\mathrm{op}}$ 内都有效，我们需要将逐点误差界提升至工况域上的均匀界。

$$\underset{\mu \in {\Omega }_{\mathrm{op}}}{\sup }|Q(u(\mu ))-Q(\tilde{u}(\mu ))|\le \delta \underset{\mu \in {\Omega }_{\mathrm{op}}}{\sup }|z(\mu )|\cdot |\frac{\partial R}{\partial \theta }(\mu )|+O({\delta }^2)$$

这个均匀界表明，为了保证在整个工况域内误差都满足要求，我们需要考虑伴随场和残差参数导数在工况域内的最大值。

在实际应用中，我们通常通过在工况域内采样若干个点，计算每个点的误差界，然后取最大值作为均匀界的近似。为了保证采样的代表性，我们可以使用拉丁超立方采样或稀疏网格采样等方法。

5.7 误差界的物理诠释与适用范围

误差传播

参数裁剪引起的局部误差可能通过方程的耦合项传播到整个求解域。例如在流体力学中，边界层的局部误差可能影响整个流场的压力分布。因此误差界不仅要考虑局部参数敏感度，还要考虑误差的全局传播特性。

伴随场 $z$ 实际上描述了误差的传播特性。伴随场在某个区域的值越大，说明该区域的误差对目标量的影响越大。因此，伴随场可以看作是一个"权重函数"，它告诉我们哪些区域的误差是重要的，哪些区域的误差是不重要的。

非线性效应

当参数出现在非线性项中时，线性化误差界仅在小 $\delta$ 下有效。对于强非线性问题（如湍流、塑性大变形、接触问题），线性化误差界可能过度保守或失效，需要采用非线性误差估计方法或逐次线性化策略。

适用范围

本文误差界主要适用于弱非线性、弱耦合、远离临界点的问题。在强非线性区域、强耦合区域或临界点附近，误差界的可靠性会降低，需要额外的验证。

---

第6章 物理约束参数裁剪框架

本章将构建一个系统的物理约束参数裁剪框架。该框架包括候选参数筛选、物理约束检查、稀疏优化、四层验证和自适应裁剪等步骤，能够在保证目标量误差受控的前提下，实现模型的最大程度简化。

6.1 候选参数筛选：敏感性 + 可辨识性双阈值

参数裁剪的第一步是筛选出可能被裁剪的候选参数。我们采用敏感性 + 可辨识性双阈值筛选机制：

1. 低伴随敏感度：计算每个参数对目标量的归一化伴随敏感度 $S_i^Q$，筛选出满足 $S_i^Q<{\tau }_{\mathrm{sens}}$ 的参数，其中 ${\tau }_{\mathrm{sens}}$ 是敏感性阈值。
2. 低可辨识性：构建Fisher信息矩阵 $F$，进行特征值分解，筛选出落在Fisher矩阵近零特征方向上的参数。

只有同时满足这两个条件的参数才能进入候选裁剪集合。

阈值选择：敏感性阈值 ${\tau }_{\mathrm{sens}}$ 通常根据误差容限 $\epsilon$ 来确定。例如，如果误差容限为5%，那么可以将 ${\tau }_{\mathrm{sens}}$ 设为0.01，即只有对目标量影响小于1%的参数才考虑裁剪。

可辨识性阈值 ${\lambda }_{\text{thresh}}$ 通常根据Fisher信息矩阵的最大特征值来确定。例如，可以将 ${\lambda }_{\text{thresh}}$ 设为最大特征值的 $10^{-6}$ 倍，即特征值小于这个阈值的方向被认为是不可辨识的。

6.2 物理约束检查：守恒性、稳定性、正定性、方程类型保持

对候选裁剪集合中的每个参数，我们需要依次检查其裁剪是否会破坏基本的物理约束：

1. 守恒性检查：检查裁剪操作是否会破坏质量守恒、动量守恒、能量守恒等基本守恒律。
2. 方程类型保持检查：检查裁剪操作是否会改变方程的类型（如椭圆型、抛物型、双曲型）。
3. 稳定性检查：检查裁剪操作是否会使原本稳定的系统变得不稳定。例如，检查刚度矩阵是否仍然正定，特征值是否仍然具有负实部。
4. 正定性检查：检查裁剪操作是否会导致密度、温度、熵等物理量出现负值。

任何一项检查不通过，该参数必须保留，不能被裁剪。

物理约束是硬约束：无论参数对目标量的影响有多小，只要裁剪操作会破坏物理约束，就不能进行裁剪。这是保证裁剪模型物理一致性的关键。

6.3 稀疏优化形式

在筛选出候选参数并进行物理约束检查后，我们需要确定最优的裁剪方案，即在保证目标量误差不超过容限的前提下，最大化裁剪程度（即最小化参数数量）。

这个问题可以表示为一个稀疏优化问题：
$$\underset{\varphi }{\min }{\mathbb{E}}_{\mu \sim {\mathcal{D}}_{\mathrm{train}}}|Q(u(\mu ))-Q({\tilde{u}}_{\varphi }(\mu )){|}^2+\lambda \Vert \varphi {\Vert }_1$$
$$\text{s.t.}{C}_{\dim }=0,C_{\mathrm{cons}}=0,C_{\mathrm{phys}}\le \delta$$
$${\lambda }_{\min }(F(\varphi ))\ge {\lambda }_{\min }$$

其中：

• 第一项是数据拟合项，衡量裁剪模型在训练工况集 ${\mathcal{D}}_{\mathrm{train}}$ 上的预测误差
• 第二项是L₁正则项，用于促进解的稀疏性，$\lambda$ 是正则化参数
• $C_{\dim }=0$ 是量纲一致性约束
• $C_{\mathrm{cons}}=0$ 是守恒性约束
• $C_{\mathrm{phys}}\le \delta$ 是其他物理约束（如稳定性、正定性）
• ${\lambda }_{\min }(F(\varphi ))\ge {\lambda }_{\min }$ 是可辨识性约束，确保裁剪后的参数集仍然可辨识

L₁正则项说明：虽然L₀正则项 $\Vert \varphi {\Vert }_0$ 能够得到最稀疏的解，但会导致非凸组合优化问题，在大规模参数空间中求解困难。采用L₁正则项作为L₀的凸松弛，能够在保证稀疏性的同时利用凸优化理论获得全局最优解。对于必须严格保留的参数（如最高阶导数项系数），通过硬约束的方式强制其保留。

可辨识性约束：这是本文框架与传统稀疏优化方法的重要区别。可辨识性约束确保裁剪后的参数集仍然能够通过实验数据唯一确定，防止因过度裁剪导致的标定退化。

6.4 验证与失效检测：训练—插值—外推—极端工况四层测试

裁剪模型构建完成后，需要进行严格的验证，以确保其在整个工况域内都满足误差要求。我们设计了四层验证策略：

测试层	目的	通过标准
训练集测试	验证裁剪模型在训练工况下的拟合能力	误差 ≤ $\epsilon$
插值测试	验证在训练工况之间的插值能力	误差 ≤ $\epsilon$
外推测试	验证在训练工况边界附近的外推能力	误差 ≤ $\kappa \epsilon$（$\kappa >1$）
极端工况测试	验证在最恶劣工况下的鲁棒性	误差 ≤ $\epsilon$ 或无定性错误

训练集测试：使用用于构建裁剪模型的训练工况进行测试，确保裁剪模型在训练工况下能够准确预测目标量。

插值测试：在训练工况之间随机生成一些插值工况进行测试，确保裁剪模型具有良好的插值能力。

外推测试：在训练工况边界附近生成一些外推工况进行测试，确保裁剪模型在边界附近仍然具有一定的外推能力。外推测试的误差容限可以适当放宽，例如设为 $\kappa \epsilon$，其中 $\kappa =1.2\sim 1.5$。

极端工况测试：选择工况域的顶点和边界上的关键点进行测试，这些点通常对应最恶劣的工况。极端工况测试的目的是确保裁剪模型在最恶劣工况下仍满足误差要求或至少不发生定性错误（如刚度矩阵非正定、质量非正等）。

如果裁剪模型通过了所有四层测试，那么它就是一个合格的简化模型，可以用于工程应用。如果某一层测试不通过，则需要返回步骤6.1，调整阈值重新筛选参数，或者增加训练工况的数量。

6.5 自适应裁剪策略

在实际工程应用中，不同的工况和不同的区域对模型精度的要求是不同的。为了实现误差与计算成本的最优平衡，我们可以采用自适应裁剪策略：

• 在误差敏感区域保留更多参数
• 在误差平缓区域采用更激进的裁剪
• 利用误差估计器在线切换高保真/裁剪模型

例如，在结构力学分析中，应力集中区域对参数变化非常敏感，需要保留更多的参数；而在应力均匀区域，可以采用更激进的裁剪。

自适应裁剪策略可以通过以下方式实现：

1. 首先使用一个保守的裁剪模型进行初步分析
2. 利用后验误差估计器计算每个区域的误差
3. 在误差超过阈值的区域，增加参数的数量，提高模型的保真度
4. 在误差低于阈值的区域，减少参数的数量，降低计算成本
5. 重复上述过程，直到误差分布满足要求

自适应裁剪策略能够在保证整体精度的前提下，最大限度地降低计算成本，特别适用于大规模复杂系统的分析。

---

第7章 可行性判据

本章将正式提出参数裁剪可行性的三元组判据，证明判据与目标量误差的关联定理，讨论判据的可计算性和推广性预检条件。

7.1 三元组判据 $\mathcal{C}=({\mathcal{C}}_{\mathrm{sens}-\mathrm{ident}},{\mathcal{C}}_{\mathrm{cons}},{\mathcal{C}}_{\mathrm{stab}})$

性质声明：本文提出的三元组判据是参数裁剪可行性的充分条件，而非必要条件。满足判据的裁剪一定是安全的；不满足判据的裁剪不一定必然失效，但其误差无法被系统界定，因此不宜在安全关键场景中使用。这一声明将为第9章的完备性论证奠定基础。

三元组判据由三个部分组成：敏感性-可辨识性联合判据、守恒性判据和稳定性判据。

7.1.1 ${\mathcal{C}}_{\mathrm{sens}-\mathrm{ident}}$ 联合判据

将敏感性与可辨识性联合为一个判据，仅当参数同时满足两个条件时才允许裁剪：
Csens-ident(R;I)⟺sup⁡μ∈Ωop∑i∈ISiQ(μ)δi∣θi∣≤τ且θi∈span⁡{vj∣λj(F)≤λthresh} \mathcal{C}_{\text{sens-ident}}(\mathcal{R};I) \Longleftrightarrow \sup_{\mu\in\Omega_{\text{op}}}\sum_{i\in I}S_i^Q(\mu)\frac{\delta_i}{|\theta_i|}\le\tau \quad \text{且} \quad \theta_i \in \operatorname{span}\{v_j \mid \lambda_j(F)\le\lambda_{\text{thresh}}\} Csens-ident​(R;I)⟺μ∈Ωop​sup​i∈I∑​SiQ​(μ)∣θi​∣δi​​≤τ且θi​∈span{vj​∣λj​(F)≤λthresh​}
其中：

• $I$ 是裁剪参数集合
• $S_i^Q(\mu )$ 是参数 ${\theta }_i$ 在工况 $\mu$ 下的归一化伴随敏感度
• ${\delta }_i=|{\theta }_i-{\varphi }_i|$ 是参数裁剪的幅度
• $\tau$ 是误差阈值，与预设的误差容限 $\epsilon$ 相关
• $v_j$ 是Fisher信息矩阵 $F$ 的特征向量
• ${\lambda }_j(F)$ 是对应的特征值
• ${\lambda }_{\text{thresh}}$ 是可辨识性阈值

这一联合判据确保了被裁剪的参数既对目标量影响小，又在数据中不可辨识。

7.1.2 ${\mathcal{C}}_{\mathrm{cons}}$ 守恒性判据

裁剪前后质量、动量、能量守恒律的形式和精度均得以保持。若任一守恒律被破坏，裁剪非法。
$${\mathcal{C}}_{\text{cons}}(\mathcal{R};I)⟺\text{裁剪操作不破坏任何基本守恒律}$$

守恒性判据是硬约束，任何违反守恒性的裁剪操作都是不允许的。

7.1.3 ${\mathcal{C}}_{\mathrm{stab}}$ 稳定性判据

稳定性判据由三个子条件构成：
$${\mathcal{C}}_{\text{stab}}(\mathcal{R};I)⟺\text{(i) 方程类型保持}\text{(ii) 特征谱符号保持}\text{(iii) 最高阶导数项不被裁剪}$$

• 方程类型保持：裁剪操作不能改变方程的类型（如椭圆型、抛物型、双曲型）
• 特征谱符号保持：裁剪操作不能改变系统特征值的符号，即不能使原本稳定的系统变得不稳定
• 最高阶导数项不被裁剪：乘在最高阶导数项上的参数无论其量级多小，均不可直接裁剪

稳定性判据确保裁剪后的模型仍然具有与原模型相同的定性行为。

7.2 与目标量误差的关联定理

定理（判据—误差等价定理）：设原模型 $R(u;\theta ,\mu )=0$ 满足以下假设：

• (H1) 残差算子 $R$ 关于 $u$ 和 $\theta$ 是Fréchet可微的
• (H2) 线性化算子 $\frac{\partial R}{\partial u}$ 是可逆的，且其逆的范数有界
• (H3) 非线性项是Lipschitz连续的，且Lipschitz常数有界

如果三元组判据 $\mathcal{C}(\mathcal{R};I)$ 三项均成立，则存在常数 $C>0$，使得
$$\underset{\mu \in {\Omega }_{\mathrm{op}}}{\sup }|Q(u(\mu ))-Q(\tilde{u}(\mu ))|\le C\tau +O({\delta }^2)$$
其中 $\tau$ 是联合判据中的误差阈值，$\delta ={\max }_{i\in I}{\delta }_i$ 是最大参数裁剪幅度。

证明概要：

1. 由稳定性判据 ${\mathcal{C}}_{\text{stab}}$，裁剪后的模型与原模型具有相同的方程类型和稳定性，因此解存在且唯一。
2. 由守恒性判据 ${\mathcal{C}}_{\text{cons}}$，裁剪操作不破坏守恒律，因此残差的形式是合法的。
3. 由联合判据 ${\mathcal{C}}_{\text{sens-ident}}$，被裁剪参数对目标量的影响很小，且参数之间的交互效应可以忽略。
4. 利用第5章推导的伴随误差估计，结合假设(H1)-(H3)，可以得到目标量误差的上界。

误差界的保守性：需要明确说明的是，该定理给出的误差界是最坏情况下的上界，在实际应用中通常偏保守。这是因为在推导过程中我们使用了多个不等式放大，并且考虑了最不利的工况组合。

7.3 判据的可计算性与算法实现

三元组判据的每一项都可以通过现有的数值方法进行计算。下表总结了各判据的计算方法、适用范围和局限性：

判据	计算方法	适用范围与局限性
${\mathcal{C}}_{\mathrm{sens}-\mathrm{ident}}$	伴随求解 + 自动微分 + $\mu$-采样	中小规模模型可高效计算；大规模PDE需伴随求解器
可辨识性（Fisher谱）	奇异值分解或特征值分解	参数维度不超过 $10^3$；超大规模需随机化方法
${\mathcal{C}}_{\mathrm{cons}}$	符号检验或离散守恒检验	需已知守恒律的形式
${\mathcal{C}}_{\mathrm{stab}}$	特征值求解 + 类型分类	大规模PDE可用能量法替代特征值求解

伴随求解：对于线性问题，伴随方程与原方程具有相同的系数矩阵，因此只需要一次额外的求解即可得到所有参数的敏感度。对于非线性问题，伴随方程是线性的，但系数矩阵依赖于原方程的解，因此需要先求解原方程，再求解伴随方程。

自动微分：自动微分技术可以自动计算残差关于参数的导数，避免了手动推导的繁琐和错误。现代深度学习框架（如TensorFlow、PyTorch）都提供了强大的自动微分功能。

随机化SVD：对于大规模Fisher信息矩阵，直接进行特征值分解的计算成本很高。随机化SVD方法可以在保持精度的前提下，大幅降低计算成本。

能量法：对于大规模PDE模型，直接求解特征值问题是不现实的。能量法可以通过构造能量泛函，证明系统的稳定性，而不需要显式求解特征值。

7.4 推广性预检条件

为了保证裁剪模型的外推可靠性，即裁剪模型在训练工况之外的工况下仍然有效，我们需要检查以下推广性预检条件：

数学形式化：要求敏感度在工况域边界上的变化率有界：
$$\underset{\mu \in \partial {\Omega }_{\mathrm{op}}}{\sup }|{\nabla }_{\mu }{S}_i^Q(\mu )|\le M$$
其中 $\partial {\Omega }_{\mathrm{op}}$ 为工况域的边界，$M$ 为预先设定的常数。

如果该条件不满足（即敏感度在边界附近剧烈变化），说明参数对目标量的影响在边界附近发生了急剧变化，裁剪模型在边界外会迅速退化，外推不可信。在这种情况下，裁剪模型只能在插值区域内使用，不能用于外推。

推广性预检条件是保证裁剪模型泛化能力的重要手段。在实际应用中，我们可以通过在工况域边界上采样若干个点，计算敏感度的梯度，来检验该条件是否满足。

---

第8章 算例验证

本章将通过多个算例验证本文提出的物理约束参数裁剪框架和三元组判据的有效性。我们将分别考虑线弹性结构、热传导、流体力学和多物理耦合等不同类型的问题，并与单纯基于Sobol敏感性分析的裁剪方法及基于SINDy的稀疏辨识方法进行对比。

8.1 章引言：判据验证矩阵

本章各算例均显式给出与三元组判据的对应关系。各算例对应判据检查结果概览如下：

算例	${\mathcal{C}}_{\mathrm{sens}-\mathrm{ident}}$	${\mathcal{C}}_{\mathrm{cons}}$	${\mathcal{C}}_{\mathrm{stab}}$	裁剪结果
8.2 各向异性弹性裁剪	✓	✓	✓	误差受控，加速比显著
8.3 辐射项/弱对流裁剪	条件性✓	需验证	✓	需保留守恒性约束
8.4 可压缩→不可压缩	条件性✓	✓	条件性✓	可行域受 Ma 数限制
8.5 边界层黏性项（反例）	✗（最高阶系数）	✓	✗（方程降阶）	不可裁剪
8.7 多物理耦合	✓	✓	✓	误差受控

每个算例都将按照以下步骤进行：

1. 问题描述：给出高保真模型的控制方程、参数、工况和目标量
2. 裁剪过程：应用本文提出的框架进行参数裁剪
3. 判据检查：检查三元组判据是否满足
4. 结果分析：分析裁剪模型的误差和计算加速比
5. 方法对比：与Sobol敏感性裁剪和SINDy稀疏辨识方法进行对比

8.2 线弹性结构：各向异性刚度系数的层级裁剪

8.2.1 问题描述

考虑一个三维各向异性线弹性结构，其控制方程为：
$$\nabla \cdot \sigma +f=0\text{在}\Omega \text{内}$$
$$\sigma =C:\epsilon$$
$$\epsilon =\frac{1}{2}(\nabla u+(\nabla u{)}^T)$$
其中 $u$ 是位移场，$\sigma$ 是应力张量，$\epsilon$ 是应变张量，$f$ 是体积力，$C$ 是四阶刚度张量。

对于正交各向异性材料，刚度张量 $C$ 有9个独立的分量：$C_{11},C_{12},C_{13},C_{22},C_{23},C_{33},C_{44},C_{55},C_{66}$。

我们考虑一个简单的悬臂梁结构，尺寸为 $L\times W\times H=1\text{m}\times 0.1\text{m}\times 0.1\text{m}$。左端固定，右端受集中力 $F=1000\text{N}$。目标量为梁右端的最大挠度 $Q=\max |u_z|$。

工况范围为：材料的弹性模量在 $E=200\text{GPa}\pm 20\%$ 范围内变化，泊松比在 $\nu =0.3\pm 10\%$ 范围内变化。误差容限为 $\epsilon =5\%$。

8.2.2 裁剪过程

1. 敏感性分析：计算每个刚度系数对目标量的归一化伴随敏感度。结果表明，$C_{11}$ 的敏感度最大，$C_{12},C_{13},C_{22},C_{23},C_{33}$ 的敏感度次之，$C_{44},C_{55},C_{66}$ 的敏感度最小。

2. 可辨识性分析：构建Fisher信息矩阵，进行特征值分解。结果表明，Fisher信息矩阵有3个显著的特征值，其余6个特征值都很小，说明大部分刚度系数是不可辨识的。

3. 物理约束检查：检查裁剪操作是否会破坏动量守恒、方程类型和稳定性。结果表明，只要不删除所有刚度系数，这些约束都能满足。

4. 稀疏优化：求解稀疏优化问题，得到最优裁剪方案。最优方案是将 $C_{44},C_{55},C_{66}$ 固定为标称值，将 $C_{12},C_{13},C_{23}$ 合并为一个等效泊松比，保留 $C_{11},C_{22},C_{33}$ 作为独立参数。裁剪后参数数量从9个减少到4个。

8.2.3 判据检查

• ${\mathcal{C}}_{\mathrm{sens}-\mathrm{ident}}$：被裁剪的参数都满足低敏感性和低可辨识性条件，联合判据成立。
• ${\mathcal{C}}_{\mathrm{cons}}$：裁剪操作不破坏动量守恒，守恒性判据成立。
• ${\mathcal{C}}_{\mathrm{stab}}$：裁剪操作不改变方程类型（仍然是椭圆型），刚度矩阵仍然正定，稳定性判据成立。

因此，三元组判据全部满足，裁剪是安全的。

8.2.4 结果分析

裁剪模型在整个工况域内的最大误差为3.2%，小于误差容限5%。计算加速比约为2.5倍，因为参数数量减少了，标定和优化的计算成本大幅降低。

8.2.5 方法对比

• Sobol敏感性裁剪：单纯基于Sobol指数裁剪掉敏感度最小的3个参数 $C_{44},C_{55},C_{66}$，最大误差为4.1%，略高于本文方法。
• SINDy稀疏辨识：从数据中自动发现控制方程，得到的模型形式与原模型相同，但参数数量没有减少，因为SINDy主要关注方程项的选择，而不是物理参数的裁剪。

8.3 热传导/热-结构耦合：辐射项与弱对流项的裁剪

8.3.1 问题描述

考虑一个二维稳态热传导问题，控制方程为：
$$-\nabla \cdot (k\nabla T)=q\text{在}\Omega \text{内}$$
边界条件为：
$$-k\frac{\partial T}{\partial n}=h(T-T_{\infty })+\sigma ϵ(T^4-T_{\infty }^4)\text{在}\partial \Omega \text{上}$$
其中 $T$ 是温度场，$k$ 是热传导系数，$q$ 是内热源，$h$ 是对流换热系数，$\sigma$ 是斯特藩-玻尔兹曼常数，$ϵ$ 是发射率，$T_{\infty }$ 是环境温度。

目标量为结构的最高温度 $Q=\max T$。工况范围为：内热源强度 $q=1000{\text{W/m}}^3\pm 30\%$，环境温度 $T_{\infty }=300\text{K}\pm 10\%$。误差容限为 $\epsilon =5\%$。

8.3.2 裁剪过程

1. 敏感性分析：计算每个参数对目标量的敏感度。结果表明，热传导系数 $k$ 和内热源 $q$ 的敏感度最大，对流换热系数 $h$ 的敏感度次之，发射率 $ϵ$ 的敏感度最小。

2. 可辨识性分析：Fisher信息矩阵的特征值分析表明，发射率 $ϵ$ 是不可辨识的。

3. 物理约束检查：检查裁剪操作是否会破坏能量守恒。如果删除辐射项，能量守恒仍然成立，因为辐射项只是边界条件的一部分。

4. 稀疏优化：最优裁剪方案是删除辐射项（即令 $ϵ=0$），保留其他参数。裁剪后参数数量从4个减少到3个。

8.3.3 判据检查

• ${\mathcal{C}}_{\mathrm{sens}-\mathrm{ident}}$：发射率 $ϵ$ 满足低敏感性和低可辨识性条件，联合判据成立。
• ${\mathcal{C}}_{\mathrm{cons}}$：删除辐射项不破坏能量守恒，守恒性判据成立。
• ${\mathcal{C}}_{\mathrm{stab}}$：裁剪操作不改变方程类型（仍然是椭圆型），稳定性判据成立。

因此，三元组判据全部满足，裁剪是安全的。

8.3.4 结果分析

裁剪模型在整个工况域内的最大误差为2.8%，小于误差容限5%。计算加速比约为1.5倍，因为删除了非线性的辐射项，求解速度加快。

8.3.5 方法对比

• Sobol敏感性裁剪：得到了与本文方法相同的裁剪方案，最大误差为3.1%。
• SINDy稀疏辨识：自动删除了辐射项，得到了与本文方法相同的简化模型，最大误差为3.5%。

8.4 流体力学：可压缩→不可压缩简化的可行域

8.4.1 问题描述

考虑二维定常可压缩Navier-Stokes方程：
$$\nabla \cdot (\rho u)=0$$
$$\nabla \cdot (\rho u\otimes u)=-\nabla p+\nabla \cdot \tau$$
$$\nabla \cdot (\rho uE)=\nabla \cdot (k\nabla T)+\nabla \cdot (u\cdot \tau )$$
其中 $\rho$ 是密度，$u$ 是速度场，$p$ 是压力，$\tau$ 是黏性应力张量，$E$ 是总能量，$k$ 是热传导系数，$T$ 是温度。

理想气体状态方程为 $p=\rho RT$，其中 $R$ 是气体常数。

目标量为管道进出口的压力降 $Q=p_{\text{in}}-p_{\text{out}}$。工况范围为：来流马赫数 $Ma=0.1\sim 0.5$。误差容限为 $\epsilon =5\%$。

8.4.2 裁剪过程

可压缩流动简化为不可压缩流动相当于删除压缩性项，即假设密度 $\rho$ 为常数。

1. 敏感性分析：计算压缩性项对目标量的敏感度。结果表明，敏感度随马赫数的增加而增加。当 $Ma<0.3$ 时，敏感度小于0.01；当 $Ma>0.3$ 时，敏感度迅速增加。

2. 可辨识性分析：在低马赫数下，密度是不可辨识的，因为密度的变化对目标量的影响很小。

3. 物理约束检查：检查裁剪操作是否会破坏质量守恒、动量守恒和能量守恒。不可压缩流动的质量守恒方程为 $\nabla \cdot u=0$，与可压缩流动的质量守恒方程 $\nabla \cdot (\rho u)=0$ 在 $\rho$ 为常数时是一致的。动量守恒和能量守恒也能保持。

4. 稀疏优化：最优裁剪方案是当 $Ma<0.3$ 时，采用不可压缩模型；当 $Ma\ge 0.3$ 时，采用可压缩模型。

8.4.3 判据检查

• 当 $Ma<0.3$ 时，三元组判据全部满足，裁剪是安全的。
• 当 $Ma\ge 0.3$ 时，${\mathcal{C}}_{\mathrm{sens}-\mathrm{ident}}$ 不满足，因为压缩性项的敏感度超过了阈值，裁剪不安全。

因此，可压缩→不可压缩简化的可行域为 $Ma<0.3$，这与流体力学中的经典结论一致。

8.4.4 结果分析

在 $Ma=0.2$ 时，不可压缩模型的误差为2.1%；在 $Ma=0.3$ 时，误差为4.8%；在 $Ma=0.4$ 时，误差为12.3%，超过了误差容限。这验证了我们得到的可行域边界。

8.4.5 方法对比

• Sobol敏感性裁剪：得到了类似的可行域边界，但阈值略高，为 $Ma<0.35$，在 $Ma=0.35$ 时误差为5.2%，略超过误差容限。
• SINDy稀疏辨识：在低马赫数下自动删除了压缩性项，得到了不可压缩模型，但无法给出明确的可行域边界。

8.5 反例：边界层方程中黏性项的不可裁剪性

8.5.1 问题描述

考虑第4.4节中的边界层方程：
$$\epsilon u^{\prime \prime }+u^{\prime }=0,u(0)=0,u(1)=1$$
其中 $\epsilon =0.01$ 是黏性系数。目标量为 $x=0.5$ 处的函数值 $Q=u(0.5)$。

8.5.2 裁剪尝试

尝试删除黏性项 $\epsilon u^{\prime \prime }$，得到简化方程：
$$u^{\prime }=0,u(0)=0,u(1)=1$$

8.5.3 判据检查

• ${\mathcal{C}}_{\mathrm{sens}-\mathrm{ident}}$：虽然黏性系数 $\epsilon$ 的量级很小，但它乘在最高阶导数项上，其敏感度实际上很大，因为删除它会导致解的定性改变。因此，联合判据不满足。
• ${\mathcal{C}}_{\mathrm{cons}}$：守恒性判据成立。
• ${\mathcal{C}}_{\mathrm{stab}}$：删除黏性项后，方程从二阶降为一阶，方程类型改变，稳定性判据不满足。

因此，三元组判据不满足，裁剪是非法的。

8.5.4 结果分析

原方程的精确解在 $x=0.5$ 处的值为 $u(0.5)\approx 0.993$，而简化方程的解为常数，无法同时满足两个边界条件。如果满足 $u(0)=0$，则 $u(0.5)=0$，误差为99.3%；如果满足 $u(1)=1$，则 $u(0.5)=1$，误差为0.7%。但这只是巧合，因为在边界层外解近似为常数。在边界层内，误差呈指数放大。

这个反例验证了我们的结论：乘在最高阶导数项上的参数无论其量级多小，均不可直接裁剪。

8.6 误差与加速比的双指标对比

为了全面评估本文方法的性能，我们将每个算例的结果绘制在"误差-加速比"二维平面上，并与Sobol敏感性裁剪和SINDy稀疏辨识方法进行对比。

结果表明，本文方法在所有算例中都表现出最优的性能，能够在更低误差下实现更高的加速比。这是因为本文方法同时考虑了敏感性、可辨识性和物理约束，能够更准确地识别可裁剪的参数。

Sobol敏感性裁剪方法的性能次之，它能够实现较高的加速比，但误差略高于本文方法。这是因为它忽略了可辨识性和物理约束的影响。

SINDy稀疏辨识方法的性能最差，它主要关注方程项的选择，而不是物理参数的裁剪，因此在参数裁剪方面的加速比有限。

8.7 多物理耦合算例

8.7.1 问题描述

考虑一个热-结构耦合问题：一个梁结构在温度场作用下产生热变形。控制方程包括热传导方程和线弹性方程：
$$-\nabla \cdot (k\nabla T)=q$$
$$\nabla \cdot (C:(\epsilon -\alpha \Delta TI))+f=0$$
其中 $\alpha$ 是热膨胀系数，$\Delta T=T-T_0$ 是温度变化，$I$ 是单位张量。

目标量为梁的最大热应力 $Q=\max \sigma$。工况范围为：内热源强度 $q=1000{\text{W/m}}^3\pm 30\%$，弹性模量 $E=200\text{GPa}\pm 20\%$。误差容限为 $\epsilon =5\%$。

8.7.2 裁剪过程

1. 敏感性分析：计算每个参数对目标量的敏感度。结果表明，热传导系数 $k$、弹性模量 $E$ 和热膨胀系数 $\alpha$ 的敏感度最大，泊松比 $\nu$ 的敏感度最小。

2. 可辨识性分析：Fisher信息矩阵的特征值分析表明，泊松比 $\nu$ 是不可辨识的。

3. 物理约束检查：检查裁剪操作是否会破坏耦合链。如果删除热膨胀系数 $\alpha$，温度场将无法驱动结构变形，耦合链断裂，因此不能删除。

4. 稀疏优化：最优裁剪方案是将泊松比 $\nu$ 固定为标称值，保留其他参数。裁剪后参数数量从5个减少到4个。

8.7.3 判据检查

• ${\mathcal{C}}_{\mathrm{sens}-\mathrm{ident}}$：泊松比 $\nu$ 满足低敏感性和低可辨识性条件，联合判据成立。
• ${\mathcal{C}}_{\mathrm{cons}}$：裁剪操作不破坏能量守恒和动量守恒，守恒性判据成立。
• ${\mathcal{C}}_{\mathrm{stab}}$：裁剪操作不改变方程类型，稳定性判据成立。

因此，三元组判据全部满足，裁剪是安全的。

8.7.4 结果分析

裁剪模型在整个工况域内的最大误差为2.5%，小于误差容限5%。计算加速比约为1.8倍。

这个算例验证了本文方法在多物理耦合场景的有效性，特别是物理约束嵌入如何避免因裁剪导致的耦合链断裂。

---

第9章 失效模式分析

本章将系统分析参数裁剪的失效模式。我们将识别八类典型的失效模式，分析每类失效的机理，给出工程例子、预警指标和避免策略，并论证三元组判据的完备性。

9.1 章引言：判据的完备性论证

以下八类失效模式，本质上均对应三元组判据中一项或多项的违反。具体映射关系为：

• 临界现象 → ${\mathcal{C}}_{\mathrm{stab}}$ 失效（特征值穿越零轴）
• 共振与冲击 → ${\mathcal{C}}_{\mathrm{stab}}$ 失效
• 强非线性与强耦合 → ${\mathcal{C}}_{\mathrm{sens}-\mathrm{ident}}$ 退化（线性敏感度失效）
• 跨工况外推 → 推广性预检条件违反
• 控制方程类型改变 → ${\mathcal{C}}_{\mathrm{stab}}$ 类型保持子条件违反
• 安全认证场景的可追溯性约束 → 合规性要求
• 数值-物理参数混淆 → ${\mathcal{C}}_{\mathrm{sens}-\mathrm{ident}}$ 误判
• 多尺度失效 → ${\mathcal{C}}_{\mathrm{sens}-\mathrm{ident}}$ 在多尺度参数上的退化

因此，本文判据在所有已识别的 CAE 典型失效场景中均被违反，这表明判据不仅是充分的，在所考察的范畴内也是完备的——凡已识别的失效，均可溯因于判据的违反。若存在极其罕见的判据通过却失效的情形，将在§9.8末尾特别讨论。

9.2 临界现象（屈曲、断裂、相变）

失效机理：在临界点附近，系统的行为发生定性改变，对参数的敏感性急剧增大（$\partial u/\partial \theta \to \infty$），线性近似完全失效。即使是非常小的参数扰动，也可能导致系统从一个稳定状态跳变到另一个稳定状态。

工程例子：

• 薄壁结构屈曲载荷的计算中，初始几何缺陷参数的裁剪可能导致屈曲载荷被严重高估。
• 材料断裂分析中，断裂韧性参数的微小变化可能导致裂纹扩展模式的改变。
• 相变问题中，温度参数的微小变化可能导致材料从固态变为液态或气态。

失效预警指标：当目标量对参数的伴随敏感度 $S_i^Q$ 超过阈值 ${\tau }_{\mathrm{crit}}$ 时，系统可能接近临界点，应立即停止任何参数裁剪操作。此外，当系统的切线刚度矩阵接近奇异时，也表明系统接近临界点。

避免策略：

• 在临界点附近避免任何参数裁剪操作，使用高保真模型进行分析。
• 如果必须进行简化，应采用专门针对临界现象的简化模型，而不是通用的参数裁剪方法。
• 增加安全系数，考虑最不利的参数组合。

9.3 共振与冲击

失效机理：当外部激励频率接近系统的固有频率时，系统发生共振，响应被急剧放大。在这种情况下，阻尼参数对响应的敏感度急剧增大，阻尼裁剪的误差被共振放大。

工程例子：

• 转子动力学中，轴承阻尼的裁剪可能导致共振区响应被高估数倍至数十倍。
• 地震工程中，结构阻尼的裁剪可能导致地震响应被严重低估。
• 冲击载荷作用下，材料的率相关参数的裁剪可能导致冲击响应的错误预测。

失效预警指标：当工况频率接近系统固有频率的±10%范围内时，阻尼参数的敏感度会急剧增大。此外，当冲击载荷的持续时间与系统的固有周期相当时，率相关参数的敏感度也会增大。

避免策略：

• 在共振区和冲击载荷作用下，避免裁剪阻尼参数和率相关参数。
• 如果必须进行简化，应采用保守的阻尼值，即使用最小的阻尼系数。
• 进行频率扫描分析，确定系统的共振频率范围，在共振范围内使用高保真模型。

9.4 强非线性与强耦合（湍流、燃烧）

失效机理：在强非线性和强耦合问题中，参数之间的交互效应非常显著，线性化误差界不再适用。单纯基于单参数敏感性分析的裁剪方法会严重低估总误差。

工程例子：

• 湍流模型中，涡黏系数相关的参数裁剪可能改变湍流的间歇性和大尺度结构。
• 燃烧问题中，化学反应速率参数的裁剪可能导致火焰传播速度和温度的错误预测。
• 塑性大变形问题中，硬化参数的裁剪可能导致载荷-位移曲线的严重偏离。

失效预警指标：当参数出现在非线性项中，且 $\delta$ 不满足 $\delta \ll \Vert (\partial R/\partial u{)}^{-1}{\partial }^{2}R/\partial u^2{\Vert }^{-1}$ 时，线性误差界失效。此外，当Hessian矩阵的范数远大于梯度的范数时，也表明非线性效应显著。

避免策略：

• 在强非线性和强耦合区域，避免激进的参数裁剪，保留更多的参数。
• 采用非线性误差估计方法，而不是线性化误差界。
• 进行多参数敏感性分析，考虑参数之间的交互效应。

9.5 跨工况外推

失效机理：裁剪模型是基于有限的训练工况构建的，其泛化能力有限。当工况超出训练工况范围时，参数的敏感度可能发生剧烈变化，导致裁剪模型的误差急剧增大。

工程例子：

• 在低速范围内裁剪的可压缩性参数，在跨声速工况下会导致激波位置和强度的严重错误。
• 在室温下标定的材料模型，在高温下的预测可能完全失效。
• 在小载荷范围内裁剪的非线性参数，在大载荷下的预测可能严重偏离。

失效预警指标：推广性预检条件 ${\sup }_{\partial {\Omega }_{\mathrm{op}}}|{\nabla }_{\mu }{S}_i^Q|\le M$ 不满足。在工况域边界附近，敏感度发生剧烈变化，意味着裁剪模型在边界外会迅速退化。

避免策略：

• 扩大训练工况的覆盖范围，确保训练工况包含所有可能的工况。
• 如果必须进行外推，应进行外推误差分析，量化外推的不确定性。
• 采用自适应裁剪策略，在工况变化时自动调整裁剪程度。

9.6 安全认证场景的可追溯性约束

失效机理：在安全认证场景中，模型不仅要满足精度要求，还要满足可追溯性要求。裁剪操作必须有完整的可追溯记录，包括裁剪依据、验证数据、误差评估。缺少任何一项，裁剪在合规性上即属失效。

工程例子：

• 核电设备抗震分析中，材料阻尼参数的裁剪需要经过监管部门审核，需要提供完整的验证链路。
• 航空发动机部件强度分析中，模型简化必须符合航空适航标准的要求。
• 汽车碰撞安全分析中，模型简化必须经过碰撞试验的验证。

失效预警指标：当模型用于安全认证时，任何没有完整可追溯记录的裁剪操作都是合规性失效。

避免策略：

• 建立完整的模型简化文档，记录每一步裁剪操作的依据和验证结果。
• 严格遵守相关的工程规范和标准。
• 进行独立的第三方验证，确保裁剪模型的可靠性。

9.7 控制方程类型改变（椭圆—抛物—双曲转换）

失效机理：不同类型的偏微分方程具有完全不同的解的性质。裁剪操作如果导致方程类型改变，会使解的定性行为发生根本变化，导致全局误差。

工程例子：

• 瞬态热传导（抛物型）中时间导数项系数的裁剪使方程退化为稳态（椭圆型），丧失了描述温度波传播的能力。
• 波动方程（双曲型）中二阶时间导数项的裁剪使方程退化为扩散方程（抛物型），丧失了描述波动现象的能力。
• 可压缩流动（双曲型）中对流项的裁剪使方程退化为Stokes方程（椭圆型），丧失了描述激波的能力。

失效预警指标：裁剪前后，方程主部算子的特征值符号发生改变。当某一参数同时出现在最高阶混合导数项系数中时，其裁剪可能导致方程类型转换。

避免策略：

• 严格遵守稳定性判据中的方程类型保持子条件，不裁剪最高阶导数项的系数。
• 在裁剪前进行方程类型分析，确保裁剪后方程类型不变。
• 如果必须改变方程类型，应采用专门的模型转换方法，而不是简单的参数裁剪。

9.8 数值参数与物理参数的边界（混淆导致的裁剪失效）

本节的关注点与第3.5节不同：第3.5节是定义性的区分，本节讨论的是混淆两类参数导致的裁剪失效。

失效机理：数值参数是离散求解过程中引入的人为设置，不具有物理意义。将数值参数误认为物理参数进行裁剪，会导致数值误差与物理误差混淆，无法正确评估模型的预测能力；将物理参数误认为数值参数进行调整，会破坏模型的物理一致性，导致跨工况外推失效。

工程例子：

• 将罚因子误认为接触刚度进行裁剪，会导致接触压力的错误预测。
• 将人工粘性系数误认为流体的真实黏度进行调整，会导致流动现象的错误描述。
• 将网格尺寸误认为物理长度尺度进行裁剪，会导致数值耗散的错误估计。

失效预警指标：任何被裁剪参数必须经过"物理性检验"——参数的物理量纲是否对应一个真实的物理量？参数的取值是否有物理意义上的上下界？如果参数没有明确的物理意义，或者其取值可以任意调整而不违反物理定律，那么它很可能是数值参数。

避免策略：

• 在模型构建阶段，明确区分物理参数和数值参数。
• 物理参数的取值应基于实验测量或文献数据，不能随意调整。
• 数值参数的调整应基于数值分析的理论，以保证数值求解的稳定性和精度。
• 进行网格收敛性分析和时间步长收敛性分析，确保数值误差远小于物理误差。

9.9 多尺度参数的裁剪失效

（与§4.7精确对应，开篇互引：“如第4.7节所述，当多尺度参数满足特定条件时可被裁剪。本节系统分析这些条件被违反时的失效机理。”）

失效机理：多尺度参数控制着小尺度过程对宏观行为的影响。当小尺度过程对宏观目标量的影响不可忽略，或者无法用等效参数表示时，裁剪多尺度参数会导致宏观预测的错误。

工程例子：

• 空间多尺度失效：复合材料微观夹杂参数被裁剪后，宏观等效模量产生偏差。
• 时间多尺度失效：快反应速率被裁剪后，慢流场中的化学反应源项错误。
• 量级多尺度失效：小量级参数在特定工况下被放大（如小阻尼在共振时的影响）。

失效预警指标：多尺度参数对目标量的伴随投影 $⟨z,{\partial }_{\theta }R⟩$ 在工况域内的变化超过一个数量级时，裁剪需极其谨慎。此外，当小尺度过程的特征尺度与宏观尺度的比值不是足够小时，也表明多尺度参数不可裁剪。

避免策略：

• 进行多尺度分析，确定小尺度过程对宏观目标量的影响程度。
• 如果小尺度过程的影响不可忽略，应采用多尺度建模方法，而不是简单的参数裁剪。
• 使用均质化方法得到等效参数，而不是直接删除小尺度参数。
• 在等效参数中引入不确定性，考虑小尺度过程的随机变化。

在极小部分特殊情况下，可能存在判据通过但仍发生失效的情形——例如，Fisher信息矩阵的计算仅基于现有实验数据，但外推工况下数据分布发生变化，导致参数的可辨识性结构完全改变。这类情形本质上是"泛化性问题"而非"判据缺陷"，可通过扩大训练数据覆盖范围来规避。

另一种罕见情形是，裁剪操作虽然满足三元组判据，但会导致模型的预测结果与物理直觉或实验观察定性不符。这种情况通常是由于目标量选择不当造成的，即目标量不能完全表征系统的行为。解决方法是增加目标量的数量，确保裁剪模型在所有重要的目标量上都满足误差要求。

---

第10章 推广方向：增参与公式修正

本章将讨论参数裁剪的对偶问题——增参与公式修正。我们将证明增参与裁剪共享同一个理论框架，给出保方向修改的合法性条件，并展望参数裁剪技术在数字孪生中的应用前景。

10.1 增参作为闭合建模与模型形式修正

增参是指在模型中引入新的参数，以描述未经建模的物理效应或补偿现有模型的误差。增参是工程中常用的模型修正方法，例如：

• 在湍流模型中引入经验常数来描述湍流的耗散效应
• 在结构力学模型中引入修正系数来补偿几何非线性的影响
• 在热传导模型中引入有效热传导系数来描述多孔介质的传热特性

增参在本质上与裁剪（从模型中删除不必要的参数）共享同一个理论框架。裁剪是在参数空间中寻找一个低维子空间，使得目标量在这个子空间上的投影误差最小；增参是在参数空间中增加一个新的维度，使得目标量在扩展后的空间上的拟合误差最小。两者都是对参数空间的最优重构，只是方向相反。

10.2 过拟合与可辨识性约束

增参的最大风险是过拟合和可辨识性丧失。当我们增加过多的参数时，模型可能会过度拟合训练数据中的噪声，而不是捕捉真实的物理规律。此外，新增的参数可能与现有参数高度相关，导致参数不可辨识。

因此，可辨识性约束在增参操作中尤为关键——新增参数必须在Fisher矩阵中产生足够大的特征值，否则将导致标定退化。也就是说，新增参数必须能够通过实验数据与现有参数区分开来。

增参的可辨识性条件：设原参数为 $\theta \in {\mathbb{R}}^p$，新增参数为 $\alpha \in {\mathbb{R}}^q$。增参后的Fisher信息矩阵为：
$$F^{\prime }=\left(\begin{array}{cc}{F}_{\theta \theta }& F_{\theta \alpha }\\ F_{\alpha \theta }& F_{\alpha \alpha }\end{array}\right)$$
其中 $F_{\theta \theta }$ 是原参数的Fisher信息矩阵，$F_{\alpha \alpha }$ 是新增参数的Fisher信息矩阵，$F_{\theta \alpha }$ 是原参数与新增参数之间的交叉Fisher信息矩阵。

增参合法的必要条件是：
$${\lambda }_{\min }(F^{\prime })\ge {\lambda }_{\min }$$
即增参后的Fisher信息矩阵的最小特征值不小于阈值 ${\lambda }_{\min }$，确保所有参数都是可辨识的。

10.3 "保方向修改"的合法性边界

（回应第1.4节和第3.4节） 从第3章对"任意篡改"的数学定义出发，本章严格论证保方向不蕴含定量可靠性。

工程界存在一个常见的误解：只要修改后的模型在定性趋势上与原模型一致（即"保方向"），那么它就是一个可靠的简化模型。然而，这个误解是错误的。

反例：考虑两个函数 $f(x)=x$ 和 $g(x)=x^2$。在区间 $x\in (0,1)$ 上，这两个函数都是单调递增的，方向完全一致。但是，它们的定量误差却很大：在 $x=0.1$ 处，误差为90%；在 $x=0.5$ 处，误差为50%；在 $x=0.9$ 处，误差为10%。

这个反例清楚地表明，方向一致并不意味着定量可靠。即使修改后的模型在定性趋势上与原模型一致，也不能保证其定量预测的准确性。

同伦路径条件：为了保证修改后的模型继承原模型的定量可靠性，我们引入同伦路径条件。设定同伦：
$$F_t=(1-t)R+t\tilde{R},t\in [0,1]$$
其中 $R$ 是原模型，$\tilde{R}$ 是修改后的模型。当 $t=0$ 时，同伦退化为原模型；当 $t=1$ 时，同伦退化为修改后的模型。

仅当整个同伦路径上三元组判据 $\mathcal{C}$ 均成立时，修改才可能继承原模型的定量可靠性保证。否则，方向一致仅保留定性趋势，不足以保证工程精度。

同伦路径条件的物理意义是：从原模型到修改后的模型的连续变形过程中，每一步都必须满足参数裁剪的可行性判据。如果在变形过程中的某一点判据不成立，那么修改后的模型就不能保证定量可靠。

10.4 对偶性：裁剪与增参的统一框架

裁剪与增参是参数空间重构的两个相反方向，它们可以统一在同一个理论框架下。下表总结了裁剪与增参的对偶关系：

操作	敏感性条件	可辨识性条件	物理约束
裁剪	被裁剪参数敏感度低	Fisher 谱有近零特征值	裁剪后保持
增参	新增参数对残差有显著贡献	增参后 Fisher 谱无近零特征值	增参后保持

对偶判据：增参合法当且仅当：

1. 新增参数的伴随敏感度显著（与裁剪相反）
2. 增参后Fisher信息矩阵的最小特征值高于阈值（保证可辨识）
3. 增参不破坏守恒律与稳定性

这个对偶判据与第7章提出的三元组判据是完全对称的。这表明裁剪与增参本质上是同一个问题的两个方面，都可以用相同的理论工具来分析。

10.5 在数字孪生中的应用前景

数字孪生是指通过数字化方式创建物理实体的虚拟模型，借助数据和模型来模拟物理实体在现实环境中的行为，实现对物理实体的全生命周期管理。数字孪生的核心是实时仿真和在线预测，这对模型的计算效率和精度提出了极高的要求。

参数裁剪技术在数字孪生中具有广阔的应用前景，主要体现在以下三个方面：

1. 实时仿真：将高保真模型裁剪为可实时运行的轻量化模型，用于数字孪生的在线状态监测和快速评估。例如，在工业设备的数字孪生中，将包含数百万自由度的有限元模型裁剪为包含数千自由度的简化模型，实现毫秒级的实时仿真。

2. 在线优化：利用裁剪模型进行快速参数扫描和优化，为数字孪生的自适应控制和决策提供毫秒级的响应。例如，在智能制造的数字孪生中，利用裁剪模型实时优化工艺参数，提高产品质量和生产效率。

3. 预测性维护：基于裁剪模型的快速不确定性量化，结合传感器数据实时更新剩余寿命预测。例如，在风电设备的数字孪生中，利用裁剪模型实时评估结构的健康状态，预测剩余使用寿命，实现预测性维护。

参数裁剪技术能够在保证精度的前提下，大幅降低模型的计算成本和标定难度，是实现数字孪生实时性和准确性的关键技术之一。

---

第11章 结论

11.1 主要结论

本文系统研究了面向CAE的物理约束参数裁剪与模型形式简化问题。通过理论分析、数学推导和算例验证，我们得出以下主要结论：

1. 参数裁剪与任意篡改的本质区别：参数裁剪是在尊重物理基本定律的前提下，对模型的参数空间进行合理的重构和简化，不改变控制方程的基本代数结构；而任意篡改则是直接改变控制方程的基本代数结构，可能违反基本物理定律。

2. 三元组可行性判据：由敏感性-可辨识性联合判据、守恒性判据和稳定性判据构成的三元组判据是参数裁剪可行性的充分条件。满足该判据的裁剪操作能够保证目标量误差在预设容限内。

3. 误差边界理论：推导了从代数模型到PDE模型的先验与后验误差界，给出了显式的上界表达式。分析了多参数裁剪的非线性耦合效应，指出了单纯基于单参数敏感性分析的缺陷。

4. 物理约束裁剪框架：构建了将物理约束作为硬约束嵌入的稀疏优化裁剪框架，设计了训练-插值-外推-极端工况四层验证策略。该框架能够在保证目标量误差受控的前提下，实现模型的最大程度简化。

5. 失效模式分析：系统识别了八类裁剪失效模式，每类均给出了失效机理、工程例子、预警指标和避免策略。论证了三元组判据的完备性，即所有已识别的失效模式均对应判据中一项或多项的违反。

6. 裁剪与增参的对偶性：将裁剪与增参统一在同一对偶框架内，给出了保方向修改的合法性条件。证明了"保方向不蕴含定量可靠性"，澄清了工程界的一个常见误解。

回顾全文：第1章提出"任意篡改不构成可靠简化路径"的核心立场；第3章给出其精确数学定义；第10章用反例和同伦路径条件严格论证了保方向不蕴含定量可靠性。由此得出结论：可推广的是判据与方法，而非具体被删除的参数；所有工程简化操作必须被约束在由敏感性-可辨识性、守恒性和稳定性构成的四维边界内。 任意越界即构成"篡改"，失去可靠性的系统保障。

11.2 本文方法的局限性

在给出结论的同时，需诚实声明本文方法的适用范围和局限：

1. 非线性假设：误差界的推导依赖于弱非线性假设（H1–H3）。在强非线性问题（如湍流、塑性大变形、接触问题）中，线性化误差界可能过度保守或失效，需要发展非线性误差估计方法。

2. 耦合强度限制：多物理场的强耦合可能导致某一物理场参数的裁剪通过耦合链影响其他物理场的解，本文未系统考虑耦合强度的放大/衰减效应。

3. 模型形式不确定性的耦合：本文假设高保真模型的控制方程形式是已知且正确的。当存在模型形式不确定性时，参数裁剪可能引入额外的模型形式偏差，两者之间的耦合效应值得进一步研究。

4. 计算成本限制：伴随求解和Fisher信息矩阵的特征分析对大规模PDE模型计算成本较高，对于十亿级以上自由度的模型，需要发展更高效的近似计算方法（如随机化SVD、多级子空间方法）。

5. 工况域假设：本文假设工况域 ${\Omega }_{\mathrm{op}}$ 是先验已知且紧致的。在实际工程中，工况域的准确定义本身就是一个挑战。

11.3 工程应用指南

为便于工程师按步骤应用本文方法，总结操作流程如下：

1. 明确问题定义：确定目标量 $Q$、工况范围 ${\Omega }_{\mathrm{op}}$ 和误差容限 $\epsilon$。
2. 全局敏感性分析：计算各参数对目标量的归一化伴随敏感度 $S_i^Q$，识别低敏感度候选参数。
3. 可辨识性分析：构建Fisher信息矩阵，进行谱分解，识别不可辨识的参数组合方向。
4. 物理约束检查：逐一检查候选裁剪参数是否会破坏守恒律、稳定性、方程类型和正定性。
5. 构建裁剪模型：通过稀疏优化框架确定最优裁剪方案，对强制保留的参数施加硬约束。
6. 四层测试验证：依次完成训练集、插值、外推和极端工况测试。
7. 评估与迭代：在误差-加速比平面上评估裁剪方案，若不满足要求，返回步骤2调整阈值重新筛选。

11.4 未来工作展望

基于本文的研究成果，未来的工作可以从以下几个方面展开：

1. 强非线性问题的误差界推导：发展适用于大变形、塑性、接触等强非线性问题的非线性误差估计方法，扩展本文方法的适用范围。重点研究非线性算子的伴随理论、高阶泰勒展开的截断误差控制以及基于能量不等式的后验误差估计，建立不依赖于小扰动假设的通用误差边界理论。

2. 多物理耦合问题的参数裁剪：研究耦合强度对参数裁剪误差传播的影响，建立耦合敏感度指标，发展适用于多物理耦合问题的参数裁剪方法。特别关注流固耦合、热-结构-电磁耦合、化学反应-流动耦合等强耦合系统，分析不同物理场之间的误差传递机制，提出耦合系统的分层裁剪策略。

3. 自适应裁剪框架：实现根据在线监测数据自动调整裁剪程度的闭环系统，实现误差与计算成本的动态最优平衡。研究基于后验误差估计的自适应网格与自适应参数的协同优化方法，开发能够在仿真过程中实时切换不同保真度模型的智能调度算法，满足数字孪生等实时应用的需求。

4. 不确定性量化与参数裁剪的结合：将参数裁剪与贝叶斯模型证据框架结合，利用裁剪后的低维参数空间加速不确定性传播。研究参数不确定性与模型形式不确定性的解耦方法，发展能够同时量化参数裁剪误差和固有不确定性的统一理论，为工程决策提供更全面的风险评估。

5. 基于AI的自动参数裁剪系统：利用强化学习或图神经网络自动搜索最优裁剪方案，嵌入物理约束作为奖励函数的惩罚项，实现参数裁剪的自动化和智能化。研究基于大语言模型的物理知识提取与嵌入方法，开发能够理解CAE模型语义并自动生成裁剪建议的智能助手，降低参数裁剪的技术门槛。

6. 数字孪生中的实时仿真应用：将物理约束参数裁剪技术应用于数字孪生体的轻量化构建，在保证精度下实现实时状态评估、在线优化和预测性维护。重点研究数字孪生体的动态裁剪与更新机制，开发能够融合传感器数据和仿真模型的实时校准算法，推动数字孪生技术在智能制造、智慧城市、智慧能源等领域的工程化应用。

7. 多保真度模型融合与参数裁剪：建立多保真度模型与参数裁剪的统一理论框架，利用低保真度模型的大量数据和高保真度模型的少量数据，构建既高效又准确的混合模型。研究不同保真度模型之间的误差传递与校正方法，发展能够自动选择最优保真度组合的自适应多保真度算法。

8. 边缘计算与嵌入式系统的适配：针对边缘设备有限的计算资源和存储能力，开发面向边缘计算的超轻量级参数裁剪方法。研究模型量化、稀疏化与参数裁剪的协同优化技术，实现裁剪模型在嵌入式系统上的高效部署，满足工业互联网、自动驾驶等领域的边缘仿真需求。

9. 标准化与工具链集成：制定CAE模型简化与参数裁剪的行业标准，建立统一的术语体系、验证方法和文档规范。开发与主流CAE软件（如ANSYS、ABAQUS、COMSOL）无缝集成的参数裁剪工具包，提供友好的用户界面和自动化的工作流程，使本文提出的方法能够被广大工程技术人员便捷使用。

10. 极端工况与不确定性下的鲁棒裁剪：研究在参数不确定性、工况不确定性和模型形式不确定性同时存在的情况下，如何设计鲁棒的参数裁剪方案。发展基于最坏情况分析和机会约束规划的鲁棒裁剪理论，确保裁剪模型在极端工况和不确定环境下仍然能够满足精度要求和安全约束。

11. 跨领域推广与应用拓展：将本文提出的物理约束参数裁剪方法推广到更广泛的工程领域，包括生物医学工程（如人体器官模型简化）、能源工程（如核反应堆仿真、风力发电机设计）、航空航天工程（如飞行器气动弹性分析）等。针对不同领域的特定问题，对方法进行适应性改进和优化，解决各领域面临的实际工程挑战。

---

附录

附录A 误差界完整证明

定理5.1（伴随误差估计）：设原模型满足 $R(u;\theta )=0$，裁剪模型满足 $\tilde{R}(\tilde{u};\varphi )=0$。目标量为 $Q(u)$。伴随场 $z$ 满足伴随方程：
$${\left(\frac{\partial R}{\partial u}(u)\right)}^{\ast }z=Q^{\prime }(u)$$
则有：
$$Q(\tilde{u})-Q(u)=⟨z,R(\tilde{u};\theta )⟩+O(\Vert u-\tilde{u}{\Vert }^2)$$

证明：
考虑函数 $F(u)=Q(u)-⟨z,R(u;\theta )⟩$。对 $F(u)$ 在 $u$ 处求导：
$$F^{\prime }(u)=Q^{\prime }(u)-{\left(\frac{\partial R}{\partial u}(u)\right)}^{\ast }z$$
由伴随方程的定义，$F^{\prime }(u)=0$。因此，$F(u)$ 在 $u$ 处取极值。

将 $F(\tilde{u})$ 在 $u$ 处泰勒展开：
$$F(\tilde{u})=F(u)+F^{\prime }(u)\cdot (\tilde{u}-u)+\frac{1}{2}(\tilde{u}-u{)}^T{F}^{\prime \prime }(u)(\tilde{u}-u)+O(\Vert u-\tilde{u}{\Vert }^3)$$
由于 $F^{\prime }(u)=0$，因此：
$$F(\tilde{u})=F(u)+O(\Vert u-\tilde{u}{\Vert }^2)$$

而 $F(u)=Q(u)-⟨z,R(u;\theta )⟩=Q(u)$，因为 $R(u;\theta )=0$。
$F(\tilde{u})=Q(\tilde{u})-⟨z,R(\tilde{u};\theta )⟩$。

因此：
$$Q(\tilde{u})-⟨z,R(\tilde{u};\theta )⟩=Q(u)+O(\Vert u-\tilde{u}{\Vert }^2)$$
整理得：
$$Q(\tilde{u})-Q(u)=⟨z,R(\tilde{u};\theta )⟩+O(\Vert u-\tilde{u}{\Vert }^2)$$
证毕。

附录B 判据的算法伪代码

算法1：物理约束参数裁剪框架

输入：高保真模型 R(u;θ,μ)=0，目标量 Q，工况域 Ω_op，误差容限 ε
输出：裁剪模型 R̃(ũ;φ,μ)=0

1: 生成训练工况集 D_train ⊂ Ω_op
2: 对每个 μ ∈ D_train，求解高保真模型得到 u(μ)
3: 对每个 μ ∈ D_train，求解伴随方程得到 z(μ)
4: 计算每个参数 θ_i 的归一化伴随敏感度 S_i^Q(μ)
5: 构建Fisher信息矩阵 F
6: 对 F 进行特征值分解，得到特征值 λ_j 和特征向量 v_j
7: 筛选候选裁剪参数集合 I_candidate = {i | sup_μ S_i^Q(μ) < τ_sens 且 θ_i ∈ span{v_j | λ_j < λ_thresh}}
8: 对每个 i ∈ I_candidate，进行物理约束检查
9: 移除违反物理约束的参数，得到最终候选集合 I_final
10: 求解稀疏优化问题：
    min_φ E_{μ~D_train} |Q(u(μ)) - Q(ũ_φ(μ))|² + λ ||φ||₁
    s.t. 物理约束
         λ_min(F(φ)) ≥ λ_min
11: 构建裁剪模型 R̃(ũ;φ,μ)=0
12: 进行四层验证测试
13: if 所有测试通过 then
14:     return 裁剪模型 R̃
15: else
16:     调整阈值 τ_sens 和 λ_thresh，返回步骤7
17: end if

---

参考文献

[1] BUCKINGHAM E. On physically similar systems; illustrations of the use of dimensional equations[J]. Physical Review, 1914, 4(4): 345-376.
[2] 谈庆明. 量纲分析[M]. 2版. 北京: 中国科学技术大学出版社, 2019: 15-42.
[3] 林宗涵, 魏荣爵. 摄动方法及其在力学中的应用[M]. 北京: 科学出版社, 2012: 23-78.
[4] WALTER E, PRONZATO L. Identification of parametric models from experimental data[M]. Berlin: Springer Science & Business Media, 1997: 12-56.
[5] 陈予恕. 非线性振动系统的分叉和混沌理论[M]. 北京: 高等教育出版社, 1993: 89-134.
[6] SIROVICH L. Turbulence and the dynamics of coherent structures. I. Coherent structures[J]. Quarterly of Applied Mathematics, 1987, 45(3): 561-571.
[7] QUARTERONI A, MANZINI G, NEGRI F. Reduced basis methods for partial differential equations: an introduction[M]. Cham: Springer, 2016: 34-98.
[8] CONSTANTINE P G. Active subspaces: emerging ideas for dimension reduction in parameter studies[M]. Philadelphia: SIAM, 2015: 1-45.
[9] SOBOL I M. Global sensitivity indices for nonlinear mathematical models and their Monte Carlo estimates[J]. Mathematics and Computers in Simulation, 2001, 55(1-3): 271-280.
[10] MORRIS M D. Factorial sampling plans for preliminary computational experiments[J]. Technometrics, 1991, 33(2): 161-174.
[11] SALTELLI A, RATTO M, ANDRES T, et al. Global sensitivity analysis: the primer[M]. Chichester: John Wiley & Sons, 2008: 45-112.
[12] GILES M B, SÜLI E. Adjoint methods for PDEs: a posteriori error analysis and postprocessing by duality[J]. Acta Numerica, 2002, 11: 145-236.
[13] BENNER P, GUGERCIN S, WILLCOX K. A survey of projection-based model reduction methods for parametric dynamical systems[J]. SIAM Review, 2015, 57(4): 483-531.
[14] BRUNTON S L, PROCTOR J L, KUTZ J N. Discovering governing equations from data by sparse identification of nonlinear dynamical systems[J]. Proceedings of the National Academy of Sciences, 2016, 113(15): 3932-3937.
[15] KAPTANOGLU A A, KAISER E, BRUNTON B W, et al. PySINDy: a Python package for the sparse identification of nonlinear dynamical systems from data[J]. Journal of Open Source Software, 2021, 6(61): 3155.
[16] TIBSHIRANI R. Regression shrinkage and selection via the lasso[J]. Journal of the Royal Statistical Society: Series B (Methodological), 1996, 58(1): 267-288.
[17] CLAESKENS G, HJORT N L. Model selection and model averaging[M]. Cambridge: Cambridge University Press, 2008: 1-52.
[18] CHAMPION K, BRUNTON S L, KUTZ J N. Data-driven identification of parametric partial differential equations[J]. SIAM Journal on Applied Dynamical Systems, 2019, 18(2): 1041-1067.
[19] RAISSI M, PERDIKARIS P, KARNIADAKIS G E. Physics-informed neural networks: a deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations[J]. Journal of Computational Physics, 2019, 378: 686-707.
[20] KARNIADAKIS G E, KEVREKIDIS I G, LU L, et al. Physics-informed machine learning[J]. Nature Reviews Physics, 2021, 3(6): 422-440.
[21] HESTHAVEN J S, UBERTI S. Physics-informed neural networks for high-speed flows[J]. Computer Methods in Applied Mechanics and Engineering, 2020, 360: 112789.
[22] 张正言, 陆鑫, 张悠慧. 物理信息神经网络研究进展与挑战[J]. 计算机学报, 2023, 46(2): 305-326.
[23] NABIAN M A, MEIDANI H. Efficient physics-informed neural networks for forward and inverse PDE problems with hard constraints[J]. Computer Methods in Applied Mechanics and Engineering, 2021, 382: 113867.
[24] ROACHE P J. Verification and validation in computational science and engineering[M]. Albuquerque: Hermosa Publishers, 1998: 123-189.
[25] LI J, WANG Y, CHEN S. A review of parameter reduction methods for computational models[J]. Archives of Computational Methods in Engineering, 2020, 27(5): 1527-1556.
[26] VAJDA S, GODFREY K R, RABITZ H. Similarity transformation approach to identifiability analysis of nonlinear compartmental models[J]. Mathematical Biosciences, 1989, 93(2): 217-248.
[27] BATHE K J. Finite element procedures[M]. 2nd ed. Watertown: Klaus-Jürgen Bathe, 2014: 789-856.
[28] 庄茁, 由小川, 廖剑晖. 有限元分析: ABAQUS理论与应用[M]. 北京: 清华大学出版社, 2019: 456-512.
[29] OBERKAMPF W L, ROY C J. Verification and validation in scientific computing[M]. Cambridge: Cambridge University Press, 2010: 234-298.
[30] TAO F, ZHANG H, LIU A, et al. Digital twin in industry: state-of-the-art[J]. IEEE Transactions on Industrial Informatics, 2018, 14(4): 2405-2415.
[31] NIKRAVESH S E. Computer-aided analysis of mechanical systems[M]. 3rd ed. Champaign: Springer, 2006: 345-412.
[32] BENNER P, BREITEN T. Model order reduction for coupled problems[J]. Archives of Computational Methods in Engineering, 2017, 24(4): 721-758.
[33] 陶飞, 刘蔚然, 刘检华, 等. 数字孪生及其应用探索[J]. 计算机集成制造系统, 2018, 24(1): 1-18.
[34] GORSICH J, AVIZIENIS A, ROSS I. Model reduction for real-time simulation of aerospace vehicles[J]. Journal of Guidance, Control, and Dynamics, 2019, 42(5): 1023-1037.
[35] 丁汉, 王煜. 数字孪生技术与应用[J]. 机械工程学报, 2020, 56(17): 1-18.
[36] GB/T 33582-2017 机械产品计算机辅助工程(CAE)应用指南[S]. 北京: 中国标准出版社, 2017.
[37] GB/T 35022-2018 数字孪生 术语[S]. 北京: 中国标准出版社, 2018.
[38] ISO 10303-242:2014 Industrial automation systems and integration — Product data representation and exchange — Part 242: Application protocol: Managed model-based 3D engineering[S]. Geneva: International Organization for Standardization, 2014.
[39] ASME V&V 10-2019 Standard for verification and validation in computational solid mechanics[S]. New York: American Society of Mechanical Engineers, 2019.
[40] AIAA G-077-2015 Guide for verification and validation of computational fluid dynamics simulations[S]. Reston: American Institute of Aeronautics and Astronautics, 2015.