速度云图很平滑，泵腔、风道和混合设备的局部回流、壁面梯度、压降和质量守恒仍需单独检验。预测场看起来合理，仍可能在这些位置偏离实际。物理信息神经网络的难点，也经常藏在漂亮云图背后的优化过程里。
2026年11月5日发布的 SIM-PINN 将不可压 Navier–Stokes 方程拆成线性化动量方程与压力 Poisson 方程，分别交给多阶段网络处理，再通过投影式内迭代协调。论文在稳态顶盖驱动方腔和非稳态 Kolmogorov 流上进行验证。[1] 这项工作把改进重点放在方程结构和数值求解过程。
一个损失函数为什么会变得如此难优化
对常密度、常黏度流体，用运动学压力 (\pi=p/\rho) 表示压力项，控制方程可写成：
[
\partial_t\mathbf u+(\mathbf u\cdot\nabla)\mathbf u
=-\nabla\pi+\nu\nabla^2\mathbf u+\mathbf f,
\qquad \nabla\cdot\mathbf u=0.
]
常规 PINN 用坐标和时间预测速度、压力，再将动量残差、散度残差、初边值误差放进训练目标。表面上，每一项都有明确的物理意义；进入参数空间后，它们却共用一组网络权重。一次更新改善动量残差，可能同时破坏边界附近的速度分布。某个损失项数值很小，也可能只是量纲或归一化方式造成的结果。
压力尤其特殊。不可压问题中的压力承担着约束速度场的作用，压力水平本身还可能需要参考值才能唯一确定。如果只给全部压力预测统一增加一个常数，压力梯度并不变化。这类规范自由度必须与边界设置一起处理，否则训练过程可能在没有物理意义的方向上漂移。
工程实现中，首先值得检查的是无量纲化、压力参考、边界相容性和采样分布。网络结构能够改善优化，却无法修复一个定义错误的边值问题。对顶盖驱动方腔而言，移动顶盖与静止侧壁交接处还存在边界不连续的处理问题；角点如何定义，会影响局部梯度和误差评价。
投影法带来的结构性启发
下面是一种经典增量压力投影的示意，目的是解释解耦思路，并非逐式复述 SIM-PINN 的实现。先根据当前压力和速度估计中间速度 (\mathbf u^*)，再求压力修正 (\phi)：
[
\nabla^2\phi=\frac{1}{\Delta t}\nabla\cdot\mathbf u^,
\qquad
\mathbf u^{n+1}=\mathbf u^-\Delta t\nabla\phi.
]
随后更新压力。若 Poisson 方程、速度修正和边界条件在离散层面相容，修正后的散度将得到控制。这个过程把“满足动量关系”和“恢复不可压约束”分成可分析的子问题。对于神经网络，类似的分工可以减少单次优化同时处理的冲突，但新的误差也会出现：子问题求解误差、内迭代停止误差和边界修正误差都会传递到最终解。
多阶段网络可以进一步理解为逐步补偿残差的函数表示。例如以 (u=u_0+\sum_j\alpha_j\delta u_j) 表达一系列修正，是一种常见的思考方式。早期网络捕捉主要结构，后续网络处理剩余细节。但高频细节能否学到，仍受采样密度、激活函数、残差缩放和优化预算约束。仅仅增加阶段数，无法保证得到可靠的小尺度流动。
如何做一次对工程有意义的验证
如果计划将这条路线用于二维风道，合理的第一步是建立同一边值问题的传统 CFD 参考解，并做网格收敛检查。然后让神经方法和参考求解器使用相同的几何、物性、入口分布和压力基准。比较速度场时，压力也要在统一参考下比较，避免把常数偏移误算成物理误差。
评价应同时覆盖场误差和工程量。速度相对误差可以采用面积或体积加权的二范数；压降、壁面剪切和出口流量则分别报告。质量不平衡可用入口、出口净通量相对入口通量衡量，同时检查内部散度。壁面剪切依赖速度导数，对局部误差更加敏感，因此不能用整体速度误差代替。
训练成本必须单独核算。若每换一个入口速度就要重新训练，比较的是“训练加预测”与一次 CFD 求解的成本；只有模型经过参数化训练并证明能覆盖目标工况，才适合谈参数扫描的摊销收益。推理快并不自动带来整个设计流程快。
我们认为，SIM-PINN 对工业代理仿真的直接价值，是提供了一条便于诊断的结构化研究路线。对于需要稀疏测量融合、参数反演或连续场表达的任务，它值得实验；对于成熟求解器已经稳定覆盖的单次正问题，是否替换仍应由总成本和工程误差决定。更有用的工作是记录可解释的失败原因：哪个子方程没有收敛，哪段边界破坏了守恒，哪种工况超出了方法的有效范围。
参考资料
[1] Zhang et al. Projection-based segregated, iterative, and multi-stage physics-informed neural network for incompressible Navier–Stokes equations. arXiv:2611.07387v1. https://arxiv.org/abs/2611.07387v1
全文：https://arxiv.org/html/2611.07387v1