摘要
在不同尺度上对热环境进行建模，对于气候适应性设计和能源管理而言至关重要。传统的数值方法（如计算流体力学）虽然具有较高的精度和物理一致性，但计算成本高昂。而纯数据驱动的模型虽然效率较高，却缺乏物理一致性和泛化能力。本综述系统地研究了物理信息神经网络，这是一种将物理先验知识直接融入神经网络训练过程的混合建模方法。通过Web of Science Core Collection进行了结构化的关键词搜索，共分析了94篇经过同行评审的期刊文章。文中概述了从数值模拟、数据驱动的替代模型到物理信息神经网络的演变过程。根据物理先验信息融入的阶段，物理信息神经网络方法被分为数据集构建、模型构建以及损失函数设计三类。目前的研究大多集中在损失函数约束方面，而在数据增强和模型构建中的系统整合仍较为有限。该技术的应用领域涵盖室内环境、室外环境以及建筑系统，不同领域都有针对特定问题而设计的独特先验知识整合策略。未来的物理信息神经网络建模应朝着多物理场耦合、自适应损失平衡、跨场景迁移学习以及统一评估标准方向发展。尽管在这一领域中物理信息神经网络展现出巨大潜力，但目前仍处于起步阶段，尤其是在复杂的城市规模应用方面。本综述总结了数据集构建、模型构建以及损失函数设计这三个阶段的现有研究成果，梳理了建筑热环境领域中采用的先验知识整合策略，并提供了在模型开发的不同阶段融入物理先验知识的实用流程。
