摘要
本结构化叙述性综述探讨了工程师如何选择和评估传统统计、机器学习、机理及混合方法，用于解释、预测和责任决策支持。我们通过文献科学（Web of Science）、Scopus、ScienceDirect 和谷歌学术（Google Scholar）的迭代搜索，确定了截至 2025 年可用的代表性文献，并进行了主题综合。我们对文献来源的可信度和相关性进行了定性评估。涵盖的应用领域包括制造、半导体加工、机械和材料系统、民用基础设施、化学过程、能源和建筑、机器人以及温室工程（不包括医疗）。比较内容包括分析目标、数据特征、假设、可解释性、不确定性、因果性、物理一致性、验证和部署。综合得出了三个反复出现的结论。首先，方法的适用性取决于信息内容、依赖结构、工作条件和决策后果，而非数据集大小或方法标签。其次，统计显著性和预测准确性并不能独立证明因果有效性、物理合理性或操作有效性。可靠的评估结合了内部验证、可行的外部测试、针对有意义基准的可重复基准测试以及部署评估，以解决数据泄漏、分布漂移和不均匀误差成本等问题。第三，当需要互补功能时，混合模型是合适的，但必须证明增加的计算、验证和维护负担是合理的；简单且经验证的模型可能就足够了。物理信息机器学习、灰箱模型和数字孪生在功能需求和集成需求上有所不同。本文的主要贡献是一个跨领域的决策架构和实用选择指南，将工程目标与建模选择、验证要求、决策阈值和操作措施联系起来。该框架不对算法进行排名，也不规定通用工作流程；相反，它支持关于模型适用性、不确定性、安全性、成本和人类监督的领域特定判断。
