企业官网建设流程全解析

PINN 这几年在计算力学圈子里几乎成了“万物可炼”的代名词。你给一个偏微分方程，它给你一套残差损失，训练完就往解析解上靠。但真正落到固体力学问题上，很多人第一步就会被卡住：方程该写成强形式还是弱形式？应力是从网络输出里直接求导拿，还是训练完再做后处理？边界条件怎么加才不会被大梯度振荡带崩？如果你正卡在某一个环节，这篇文章应该能帮你把整条链路理顺。

我下面分享的内容，核心是“强形式 PINN 求解固体力学问题”的完整拆解。所谓强形式，指的是直接用平衡微分方程、几何方程和本构方程构造残差，不去做加权残数法或虚功原理那套弱形式变换。这样做的直接好处是损失函数构建非常干净，想换本构、想加局部高精度约束都很方便。但代价也很明确：你需要对高阶导数、多目标损失权重的平衡、采样点分布等细节很敏感。所以这篇文章除了把原理讲清楚，还会把我在实际操作中踩过的坑、调试过的损失权重数值、以及一些很“体力活”但管用的检查手段都放进来，供真正要复现或改造成自己模型的读者参考。

1. 强形式低层逻辑：为什么固体力学适合直接用残差损失

1.1 先搞清楚网络里的“未知量”是什么

用 PINN 解固体力学问题，第一步不是选网络结构，而是想清楚“网络输出什么”。这个选择直接决定后面所有损失函数的形式。

大多数做法是让网络直接输出位移场。二维弹性问题里，网络的输入是坐标 (x, y)，输出是位移分量 (u, v)。训练时的损失由三部分组成：平衡方程的残差、边界条件的残差，如果涉及动态问题还要加初始条件的残差。位移一旦被网络表示出来，应变可以靠自动微分获得，应力再靠本构关系计算，随后再回代到平衡方程里构造内部残差。这一套“位移驱动”的流程和有限元的思路最接近，也因此最容易对照验证。

也有人尝试让网络直接输出应力分量，因为应力解在塑性或接触问题中往往比位移更方便做约束。如果网络输出应力场，就需要额外满足应力平衡方程和本构方程的约束。麻烦在于：应力张量的对称性、各应力分量之间的微分相容条件，都需要额外处理。位移网络在这些方面通常更“安稳”，所以我个人的首选是位移输出。只有当目标问题本身就是应力反演、或者材料本构特别复杂时，才考虑应力网络。

1.2 强形式残差到底在“强迫”网络做什么

先看一个最基础的线弹性静力学问题。忽略体力时，平衡方程可以写为：

σ_ij,j = 0 在 Ω 内，即应力张量的散度为零。

位移—应变关系（几何方程）：

ε_ij = (u_i,j + u_j,i) / 2

线弹性本构：

σ_ij = C_ijkl ε_kl

把这些方程全部变成残差形式：

• 内部残差 R_balance = ∂σ_xx/∂x + ∂σ_xy/∂y（二维 x 方向，另一个方向同理）；
• 边界残差 R_dirichlet = u_pred - u_given（在边界上）；
• 边界残差 R_neumann = σ · n - t_given（自然边界上）。

然后构造总损失：

L = λ_int * ||R_balance||² + λ_dir * ||R_dirichlet||² + λ_neu * ||R_neumann||²

所有残差都做 L2 范数，在大量采样点上求和取平均。

这和有限元有本质区别：有限元把平衡方程变成弱形式，是在“平均意义”上让内力与外力平衡，网格分辨率决定精度；PINN 的强形式直接在采样点上强迫微分方程成立，本质是一个点态的约束。这带来一个好处：你不需要组装全局刚度矩阵，边界形状只要能用坐标函数描述就行，复杂几何的网格划分负担大幅降低。但代价也很直接——网络必须足够光滑，否则取不了高阶导数，而自动微分的导数阶数越高，梯度的数值病态越明显，这为后续调试埋下不少雷。

1.3 什么场景下强形式 PINN 才有真正优势

把话挑明：普通线弹性、简单边界、规则几何的问题，强形式 PINN 和成熟商业有限元软件毫无性价比可言。有限元的理论、收敛性、误差估计都完备，算一个悬臂梁可能连建模加求解十分钟搞定，而 PINN 可能要调半天损失权重。

强形式 PINN 真正值得投入的场景，我总结出三类：

1. 正问题里几何形状参数化程度高。比如拓扑优化或几何反演，每改一次形状就要重新画网格是很大的成本，而 PINN 可以做几何参数与位移场的联合训练。
2. 本构关系需要频繁试验。换一个本构方程，强形式 PINN 只需要修改残差函数里那几行应力计算代码，而有限元如果不是商业软件还得动单元子程序。
3. 需要从稀疏测量数据反演材料参数或全场状态。PINN 天然可以把“已知点位的位移/应变测量值”加进损失项，形成半逆问题求解器。

另一个我在实践中发现的场景是老生常谈的“网格与形状割裂”：当计算域不是标准矩形、圆环这类规则区域时，有限元需要花大量时间做网格划分或网格加密，而 PINN 只需要在采样阶段把边界内的点筛出来，几何表达由坐标判断完成。虽然纯 PINN 对几何高精度表达仍有短板（比如尖锐角点附近的应力奇异需要很特殊处理），但相比几何建模困难的问题，它提供的是一种“少环节”的求解路径。

2. 实操前的关键细节：几何、坐标系与无量纲化

2.1 网络输出位移还是应力：选型判断

我刚开始尝试时，最先掉进的坑是“哪个张量好算就输出哪个”。后来发现应根据“哪个场上的先验约束比较容易表达”来决定。

输出位移场时，边界上给位移的 Dirichlet 条件很好写：直接把边界采样点上的预测位移减去给定位移，取范数即可。输出应力场时，力的边界条件好写，但位移边界条件和应变相容条件都需要额外加微分约束，编程和调权重的复杂度成倍增加。所以除非目标问题本身就是应力反演（已知部分应力测量值），否则我不建议直接输出应力。经验原则：先描述边界约束，再决定输出量，而不是反过来。

2.2 采样点的生成：内部点和边界点的相互独立

PINN 在训练时依赖大量离散点上的残差评估。这些点怎么布，直接影响收敛质量。

对于常见几何（矩形、圆、圆环、多边形围成的域），我的做法是：

1. 先在包围盒内生成均匀分布的候选点，例如矩形域 [0, Lx] × [0, Ly]，直接用 numpy 随机撒 N 个点；
2. 如果域有开孔或复杂边界，用 SDF（符号距离函数）判断点是否在域内。SDF < 0 表示在材料内部，SDF > 0 表示在外部，|SDF| 小于某个小阈值视为边界点。这一招可以避免逐点做“点是否在多边形内”的几何判断，效率高不少；
3. 边界点非常重要。不要在内部点和边界点之间搞“共享”，而是单独在每条边界上按弧长参数化采样。曲线边界上用角度参数 θ 均匀采样，直线边界上用线性坐标均匀采样；
4. 内部点要随机化。固定网格点虽然也能训练，但随机采样在训练中可以用不同批次的点，等效于数据的随机增强，能抑制网络某些区域的过拟合。

还有一个我后来才注意到的细节：强形式残差里的导数项在高应变梯度区域（比如应力集中区）误差最大。你对全场均匀采样时，这些区域占的损失比重太低，网络“看不见”它们。这时需要做一次先验分析，比如线弹性下角点附近应力会剧烈变化，就可以在角点附近加密采样点。加密的方式最简单的是：在角点邻域内按指数分布追加一批采样点。这些点个数不需要多，几百个就足够让损失曲线有明显变化。

2.3 无量纲化：不做这一步，训练八成要崩

这一点我必须单独拎出来强调。我在试一个长 1 m、截面 0.1 m 的悬臂梁时，直接采用国际单位制，训练损失一直在一个较高的平台上慢慢悠悠地降，降到一定程度就不动了。后来检查发现，问题是网络输入 (x, y) 数值范围从 0 到 1 变化，但输出位移却小到毫米甚至微米量级——网络要用有限权重拟合出数值差好几个数量级的映射关系，梯度优化的收敛速度会变得极慢。

标准办法是参考无量纲化：把长度统一除以参考长度，比如梁长 Lref；把位移除以参考位移，把应力除以参考应力，把弹性模量也用参考值归一。最终让输入坐标和输出未知量都落在 O(0.1) 到 O(10) 的范围内。平安经验：网络输入尽量归一化到 [-1, 1]，输出量尽量归一化到 [0, 1] 或 [-1, 1]。如果你嫌麻烦，至少也要保证坐标的尺度是“同一个尺度”的，否则等方向几何在损失计算里的各向导数严重不平衡。

无量纲化背后的原因要理解：激活函数 tanh 在输入接近 0 时有近似线性区，输入太大时梯度饱和。如果网络输入 x 范围是 [0, 1]，y 范围是 [0, 0.1]，那么在面内两个方向求导时，y 方向的导数天然会比 x 方向“看到”更陡的局部变化，梯度更新的平衡就会被打破。无量纲化相当于给不同方向的导数项做了预处理缩放，让网络的重心放在“物理量变化”而不是“坐标量纲”上。

3. 核心实现：网络结构、损失函数与训练配置

3.1 一个可以直接启动的最小骨架

下面这个最小示例用 PyTorch 实现一个二维线性弹性板问题。域为 [0, Lx] × [0, Ly]，左边界固定，右边界受均布拉力。这里省略了部分边界采样细节，但核心损失结构是完整的。基于常见实践的思路，网络采用三层 tanh 隐含层，每层 128 神经元；输入是 (x, y)，输出是位移 (u, v)。内部残差和边界残差的构造如下。

import torch import torch.nn as nn class MLP(nn.Module): def __init__(self): super().__init__() self.net = nn.Sequential( nn.Linear(2, 128), nn.Tanh(), nn.Linear(128, 128), nn.Tanh(), nn.Linear(128, 128), nn.Tanh(), nn.Linear(128, 2) ) def forward(self, xy): return self.net(xy) def compute_loss(model, pts_int, pts_dir, pts_neu, E, nu): # pts_int: [N_int, 2] # pts_dir: 左边界固定点 # pts_neu: 右边界受拉点 x = pts_int[:, 0:1]; y = pts_int[:, 1:2] pts = torch.cat([x, y], dim=1) pts.requires_grad_(True) uvp = model(pts) u = uvp[:, 0:1]; v = uvp[:, 1:2] def grad(u, x): return torch.autograd.grad(u, x, grad_outputs=torch.ones_like(u), create_graph=True)[0] dux = grad(u, x); duy = grad(u, y) dvx = grad(v, x); dvy = grad(v, y) exx = dux eyy = dvy exy = 0.5 * (duy + dvx) # 平面应力本构（厚度方向自由） C11 = E / (1 - nu**2) C12 = nu * C11 C44 = E / (2 * (1 + nu)) sxx = C11 * exx + C12 * eyy syy = C12 * exx + C11 * eyy sxy = 2 * C44 * exy # 平衡残差（忽略体力） dsxx_dx = grad(sxx, x) dsxy_dy = grad(sxy, y) dsyy_dy = grad(syy, y) dsxy_dx = grad(sxy, x) r_x = dsxx_dx + dsxy_dy r_y = dsxy_dx + dsyy_dy loss_int = torch.mean(r_x**2 + r_y**2) # 左边界 Dirichlet: u=v=0 u_dir = model(pts_dir)[:, 0:1] v_dir = model(pts_dir)[:, 1:2] loss_dir = torch.mean(u_dir**2 + v_dir**2) # 右边界 Neumann: T = sigma_x = p, sigma_xy = 0 u_neu = model(pts_neu)[:, 0:1] v_neu = model(pts_neu)[:, 1:2] x_neu = pts_neu[:, 0:1].requires_grad_(True) y_neu = pts_neu[:, 1:2].requires_grad_(True) ptsn = torch.cat([x_neu, y_neu], dim=1) u_neu = model(ptsn)[:, 0:1] du_neu_x = grad(u_neu, x_neu) dv_neu_x = grad(v_neu, x_neu) exx_n = du_neu_x sxx_n = C11 * exx_n + C12 * (dv_neu_x * 0) # 这里只示意取exx项 # 完整应力分量计算略，思路是计算 sxx_n - p 与 sxy_n 的残差 loss_neu = torch.mean((sxx_n - p)**2) loss = 1.0 * loss_int + 1.0 * loss_dir + 1.0 * loss_neu return loss

这段代码只画了核心逻辑。真正要跑通，还需要单独写好边界点生成函数。我记得第一次跑时，把右边界应力残差的符号写反了，结果网络的解像一个“被拉爆”的曲线，位移场往加载反方向大变形。后来在损失函数里加了应力分量的方向检验，很快定位到是 sxx_n - p 的正负号问题。这个教训也说明：不要只盯总损失数值，还要实时输出边界的局部残差分量。

3.2 激活函数与网络初始化：为什么不是“随便选一个”

在 PINN 社区里，激活函数选择已经积累了不少经验。我自己的观察是：

• tanh：输出范围 [-1, 1]，光滑，导数适中，最适合做二阶微分方程物理场的默认选择。缺点是深层网络容易饱和，所以初始化和归一化要更认真。
• swish / silu：在某些测试里收敛更快，但从一个解到另一个解的振荡也更明显，物理残差训练中对学习率的敏感度更高。
• sin：对频域特征捕捉有一定优势，在某些波动问题里效果好。但 sin 激活函数的网络初始化范围很挑剔，一个不合适的缩放会让高频振荡的梯度异常大，训练极不稳定。

经验层面的排序是：默认 tanh，波动问题试 sin，如果训练速度太慢再试 swish。初始化方面，我做了一个小实验：统一采用 Xavier 初始化，训练能稳定跑到一个精度平台；改为随机较大的权重初始化后，损失前期波动明显加剧。对 tanh 网络，Xavier 或 He 初始化都可行，但 X avier 在小规模网络上更平滑。

还有一个必须提的细节：网络的输出层不要加激活函数。位移场理论上可正可负，输出层若带 tanh 会把位移限制在 [-1, 1]，如果真实位移超出这个范围，网络永远无法表达。所以输出层就是纯粹的线性层。

3.3 损失权重：它不是超参数，而是“身体状态报告”

强形式 PINN 的损失由内部残差、Dirichlet 边界、Neumann 边界三块组成。多数文章喜欢一开始就手调权重，但我建议先全部设成 1，观察训练中各项的量级和下降趋势，再针对性调整。

原因很简单：网络初始阶段内部残差的量级往往比边界残差小很多。因为网络输出接近零时，导数项也接近零，内部残差天然很小。此时如果不加权重，边界损失占主导，网络会优先满足边界，内部方程却长期欠拟。一个常见调法是：让边界损失稍微高一点，比如 5 到 20，保证边界先“被看见”；当训练进入中期后，再把内部权重加大，逼迫网络向内满足方程。

但这不表示边界权重越高越好。有一次我把边界权重调到 100，发现训练确实快速满足边界位移，但应力场出现明显的振荡，因为网络为了压低边界损失，在边界附近生成了很大的曲率补偿，而内部残差又反过来被拉高。这种多目标博弈没有绝对最优解。我在实践中会用一段 30 行左右的脚本，每隔若干步打印各损失的数值，用它们的比值作为调节依据。例如若 loss_int 比 loss_dir 小两个数量级，那多半不是网络已经学得很好，而是内部残差权重太小，网络根本不关心方程。

3.4 训练过程可视化：不要只看 loss 那条曲线

PINN 训练时，总损失曲线看起来平稳下降，其实未必代表解是正确的。因为各分项损失可能互相抵消，比如内部残差减小但边界残差增大，总损失曲线看上去还是往下走。

我的习惯是每 500 步把以下信息打印一次：

• 内部残差、Dirichlet 残差、Neumann 残差分别的数值；
• 在固定验证点上，预测位移与一个粗网格参考解或解析解的相对误差；
• 应力场云图（如果能快速画出来的话）。

这个习惯在诊断“看似收敛实则无解”时极其重要。有一回损失已经降到 1e-4，但可视化发现位移场的等值线在角落处严重扭曲，原因是边界点采样数量太少，网络把不满足边界条件的区域“平均”掉了。加上边界点密度后，残差才继续下降。PINN 这件事，永远要警惕总损失这个“平均数”骗人。

4. 常见问题与排查技巧实录

4.1 训练不收敛：先分清单点还是全场问题

遇到“loss 降不下去”的局面，我有几个固定排查步骤：

1. 先不训练，直接把模型初始化后跑一次前向，看看各残差值是否是合理的初始量级。如果 Dirichlet 残差已经非常小，说明网络输出在边界区域竟然自动满足了边界条件，这多半是权重或符号写错了。
2. 检查坐标是否 requires_grad。如果坐标没有设置 requires_grad=True 或没有用 create_graph=True，高阶导数会是零，内部残差项全是 0。
3. 检查网络输出层有没有误加激活。如果输出层是 tanh，位移被限制在 [-1, 1]，遇到大变形问题会卡在边界上。
4. 切小网络试跑。128×3 的网络在二维线弹性问题上通常足够，如果切到 32×2 之后反而表现更稳定，那说明原网络参数量过大且训练样本点数不足，拟合产生了震荡。

这里要特别强调 create_graph 的重要性：第一次写 autograd 时，如果内部残差里还要继续对位移求导，必须打开 create_graph=True，否则第二次导数全是 0，但报错不一定明显。

4.2 应力场噪声大：导数阶次越高的地方越敏感

强形式求解里最让人头疼的就是应力场不够光滑。原因很直观：网络输出位移本身拟合得不错，但应力由位移的导数计算而来。一次导数可以接受，如果应变还要继续求导进入平衡方程，二阶导数的误差就被放大，等值线上会出现明显的局部毛刺。

一个非常实用的小技巧是：不要用网络直接输出应力做后处理，而是训练完成后，另外在一个更密的网格上重新求一次位移的导数。这个流程与训练时的计算没有冲突，只是多了点计算成本。另外，可以适度增加内部采样点密度，特别是梯度大的区域。

如果应力噪声仍然严重，还有一个办法是在损失函数里增加对高阶导数的惩罚或平滑项。不过这会引入额外的调参负担。我通常是在“确保解正确”的前提下，用后处理平滑或增加采样点来改善应力云图，而不是过早加正则化项——正则化项若加不好，会把位移场“磨”得过度光滑，应力反而失真。

4.3 边界条件被“淹没”：多目标损失的博弈解决

强形式 PINN 的边界条件不是硬约束，而是软约束。这意味着只要边界损失不够大，网络就可以“牺牲”边界来降低内部残差。一个典型表现是：位移边界上的预测值不是严格等于给定值，而是存在一个小的偏差。

解决思路有两种：

1. 加边界损失权重。简单直接，但需要反复调；
2. 构造满足边界条件的特解形式。比如 Dirichlet 边界 u=0 时，在网络输出前面乘一个距离函数 g(x)，使 u = g(x) * N(x)，g 在边界上为 0。这样边界条件被严格满足，内部残差才是唯一需要优化的对象。这个做法在规则几何里非常好使。

我实际使用中，第二种方法省心很多。比如悬臂梁左边界固定时，可以用 x 坐标的某种函数构造 g，让左边界强制满足 u = v = 0。代价是乘上 g 后，网络需要学习的函数空间发生改变，某些情况下收敛速度反而变慢。所以在“快速验证一个想法”时，我会先用软约束；在“要一个稳定可靠的结果”时，再换成硬约束。

4.4 关键问题速查表

5. 从静力学向更复杂场景扩展

5.1 动态问题：加上时间维度的注意事项

把强形式 PINN 从静态推广到动态并不困难，网络输入从 (x, y) 变成 (x, y, t)，输出仍可以是位移。损失函数里除了平衡方程和边界条件，还需要额外加入 t=0 时刻的位移和速度条件。

动态问题的额外难点在于：时间维度上的采样同样会影响收敛质量。我建议在时间上采用“先粗后密”的调度：前期时间点数量少一些，让网络先学会空间模式，再逐步增加时间点，优化出时间演化。这种课程式训练在波动传播类问题里尤其必要，因为早期如果时间点数太多，网络会试图同时拟合所有时刻，空间特征反而学不动。

另外，动态问题中的应力波传播会有明显的时域高频特征。如果只用 tanh 激活，可能需要更深的网络和高频坐标嵌入，比如将坐标和时间通过 Fourier 特征映射升维。这个做法在波动类问题中提升明显，但要注意嵌入频率的尺度要参考问题的特征波长。

5.2 非线性材料与大变形

强形式 PINN 的一个优势在这里就体现出来了。本构直接写成代码函数，不需要像有限元那样开发新的单元子程序。

以超弹性材料为例，如果采用应变能密度函数 W(ε)，那么应力可以写为：

σ = ∂W / ∂ε

在损失函数里只需定义 W 并对应变求导。由于自动微分会自动链式求导，理论上可以支持任意复杂的光滑本构。但要注意：当本构关系包含不光滑点（比如弹塑性加载卸载切换、接触边界摩擦切换）时，神经网络的光滑输出很难精确表达这种非光滑行为，残差会在切换点附近剧烈振荡。这时通常需要引入额外的“塑性乘子”或“内变量”网络，并用增量形式处理，难度会明显上升。

5.3 从正问题到反问题：参数反演

PINN 解决反问题的逻辑很自然：把材料参数（比如弹性模量 E 或者泊松比 ν）设为可训练变量，随网络一起优化。损失函数中除了原有方程残差外，再加上“预测位移与实测位移”之间的误差。这个思路在实验力学中相当有吸引力，因为实验中往往只能测到表面或个别点的位移，而无法获得全场应力。PINN 可以用稀疏测量数据驱动，反推出全场位移、应力和材料参数。

反问题中最常见的陷阱是参数不可辨识。例如只有单轴拉伸的均匀应变数据时，E 和 ν 无法从单一工况中同时确定，因为应力与应变的关系可以等价抵消。我的建议是：做反演前，先做一次简单的可辨识性分析，看损失函数关于参数的导数在最优参数附近是否为零方向较多。如果存在平坦方向，要么增加更多实验工况，要么固定其中一个参数。

5.4 多物理场耦合：换个损失组合而已

固体力学与传热、扩散、渗流耦合时，PINN 的做法仍然是把各子系统的控制方程残差加权求和。比起有限元的耦合弱形式，强形式的 PINN 在损失组装上更直接：把热传导方程的残差加进去，把热膨胀项加进本构方程，再把边界上的热通量条件加进边界损失即可。

但耦合会带来新的权重问题：不同物理场残差的量级可能相差甚远，比如应力以 MPa 量级计数，温度以 ℃ 量级计数，直接把两者残差加起来，数值大的那个会主导训练。所以我建议在构造耦合问题之前，先对每个子系统的物理量做一次无量纲化和标准化，让它们都落在相似的量纲尺度内。这不是锦上添花，而是能否训练达到目标精度的必要条件。

写在最后的实际操作体会

如果你问我“强形式 PINN 解固体力学到底推不推荐”，我的回答是：它不是一个“替代有限元”的通用工具，而是一类更适合“自定义问题与反问题”的求解手段。它最大的价值不在替代，而在补位：当你要在一个需要反复修改几何、本构、参数、边界条件的场景里快速验证想法时，PINN 的代码改动成本非常低。

我建议刚起步的读者不要一上来就挑战三维、弹塑性、非线性几何，而是先用一个二维悬臂梁或平板拉伸问题，把损失结构、权重调节、后处理验证这一整套流程跑通。等这套机制熟练了，再去碰更复杂的场景。做这件事时，尽量保留一份“参考解”用来对照：可以是商业软件的解、解析解或一个非常细网格的有限元结果。没有参考解做锚点，你根本不知道 PINN 的预测是越来越对，还是越来越“自洽地错”。这一点，是用 PINN 做力学仿真和用普通深度学习做图像识别，最大的认知差异。