《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》：Physics-Informed Digital Twins in Computational Engineering: a PRISMA-ScR Review of Physics-Informed Learning, Neural Operators, Uncertainty Quantification, Real-Time Updating, and Deployment Readiness
编辑推荐：
计算工程中的物理信息数字孪生（Physics-Informed Digital Twins, PIDTs）不仅仅需要仿真模型或机器学习代理。研究人员将物理资产连接到计算表示，从数据中学习，量化不确定性，在传感器信息下更新，并在明确的延迟和可信性约束下支持工程决
计算工程中的物理信息数字孪生（Physics-Informed Digital Twins, PIDTs）不仅仅需要仿真模型或机器学习代理。研究人员将物理资产连接到计算表示，从数据中学习，量化不确定性，在传感器信息下更新，并在明确的延迟和可信性约束下支持工程决策。本范围综述综合了六个研究问题，涉及物理信息学习、神经算子、不确定性量化、数据同化、应用领域成熟度以及基于证据的方法选择。79篇数据库识别的学术报告为综合提供了信息；各研究问题（RQ）的具体计数分别为15、14、13、26、27和17，且允许问题间重叠。每个主要声明通过测试集构建、基线充分性、分布内与分布外评估、不确定性与失效分析、验证来源以及完整的感知到决策延迟进行评估。数值误差、加速比和更新时间在其研究特定的评估设置内进行解释，而非作为通用选择阈值。证据表明，物理信息神经网络（Physics-Informed Neural Networks, PINNs）可以支持有界反演、代理和稀疏数据任务，但其成熟度受到优化病态、边界强制执行、数值基线和分布偏移的限制。神经算子为重复偏微分方程（Partial Differential Equation, PDE）预测提供了适度的加速证据，但作为完整数字孪生骨干的证据有限，因为离线成本、几何与工况迁移、不确定性校准和运行同步的报告不一致。不确定性量化与数据同化是必要的可信性和同步层，但校准不可辨识性、基于信息的协方差边界误用、集成误校准、滤波器发散、可观测性限制以及不完整的端到端验证仍然普遍存在。一种非补偿性证据门限程序将关键综合转化为方法选择指南，同时保留负面、冲突和未报告的证据。
论文主体部分总结
**1 引言**
论文将物理信息数字孪生（PIDTs）定义为超越计算仿真的一步，强调其必须连接物理资产与计算表示、保持物理可解释性、随测量更新、量化不确定性，并在可信的时间范围内支持定义的操作决策。研究围绕六个研究问题（RQ）展开：RQ1涉及物理信息学习方法（尤其是PINNs）在PIDTs中的应用及失效模式；RQ2探讨神经算子（NOs）作为快速代理建模的证据；RQ3处理不确定性量化（UQ）与贝叶斯校准；RQ4关注实时更新与数据同化（DA）；RQ5评估应用领域成熟度；RQ6将证据转化为方法选择与部署准备度指南。论文的主要贡献在于通过非补偿性证据门限程序，为计算工程数字孪生提供方法选择的可操作框架。
**1.1 范围、贡献与证据标准**
论文将PIDT视为耦合工程系统，而非单一算法。模型仅在其参与物理-计算-数据-决策循环时才被视为数字孪生的一部分。证据标准区分了方法能力与部署准备度：方法能力是最低的证据声明，而部署准备度需要同步、不确定性处理、延迟证据、验证以及定义明确的决策角色。
**2 方法：PRISMA-ScR指导的综述协议**
本范围综述遵循PRISMA-ScR报告框架。方法包括：数据库（Scopus和Web of Science）搜索日期、导出规则、去重、标题-摘要筛选、全文评估、排除计数和每RQ纳入计数。文献筛选后，共79篇数据库识别的研究纳入综合，另有29篇上下文来源（包括方法论基础文献）。筛选由单作者执行，通过DOI/标题去重和引用来源匹配进行一致性校验。方法论局限性包括：受限的排名导出依赖商业数据库算法、单作者筛选、术语偏差可能遗漏相邻标签下的相关工作。
**3 概念架构与通用符号**
一个物理信息数字孪生需要满足六项最低证据链：物理资产、计算表示、数据连接、更新机制、不确定性及验证证据、决策目的及延迟要求。论文采用状态空间符号作为通用语言：$x_{t+1}=f(x_t,u_t,\theta)+\eta_t$，$y_t=h(x_t,\theta)+\nu_t$。数据同化方法更新$p(x_t,\theta|y_{1:t})$，UQ方法量化预测与决策的不确定性，验证检验工作流是否适用于预期用途。
**4 RQ1：物理信息学习与PINN失效模式**
RQ1证据表明，物理信息机器学习通过嵌入方程约束到训练目标中，使数字孪生在稀疏数据、噪声测量和实时决策约束下保持有用。PINNs是最明确的机制，通过自动微分计算物理残差，并在损失函数中结合数据项、物理残差项和边界条件项。软约束与硬约束的区别在于边界条件是否被精确满足。局部自适应损失加权、域分解和混合数值求解器-神经网络方法被用于应对多尺度、多物理场和复杂几何问题。PINN失效模式包括：复合损失导致的数值刚度、优化景观病态、神经正切核分析揭示的不同收敛速率、高阶导数放大局部近似不规则性、边界惩罚引入的权重竞争等。最小PINN证据应包括经典数值基线、物理意义范数误差、边界诊断、分布内与分布外测试、参数可辨识性分析、端到端延迟以及验证包络外的回退规则。
**5 RQ2：神经算子与可扩展数字孪生的算子学习**
神经算子（NOs）学习函数空间之间的映射，适用于重复求解偏微分方程（PDE）族的数字孪生。主要架构包括深度算子网络（DeepONets）、傅里叶神经算子（FNOs）和图神经算子（GNOs）。DeepONets通过分支网络编码输入函数、主干网络编码输出坐标；FNOs利用谱卷积实现快速全场推理；GNOs处理不规则网格和复杂几何。物理信息算子学习结合PDE残差约束。神经算子的主要价值在于离线-在线分离，但离线成本、几何迁移、不确定性校准和运行同步报告不一致。泛化能力是核心可信性问题，需在参数、载荷、几何、分辨率和物理工况变化下分别测试。与PINNs、降阶模型（ROMs）和经典代理的对比表明，神经算子最适合重复PDE预测，而ROMs适用于低秩物理，PINNs适用于稀疏数据且方程已知的场景。
**6 RQ3：不确定性量化、校准与可信性**
不确定性预算包括参数、模型形式、数值、传感器、偶然、认知和决策不确定性。贝叶斯校准（Kennedy-O’Hagan模型）区分模型方程$y_i=\mathcal{M}(x_i,\theta)+\delta(x_i)+\varepsilon_i$。校准与模型形式非可辨识性：灵活性$\delta$可能补偿$\theta$变化，导致物理参数无法被唯一识别。数值不确定性需通过网格收敛研究量化。偶然与认知不确定性依赖于概率模型的指定，而非物理系统的固有属性。信息矩阵（如Fisher信息）与后验协方差应严格区分，局部拉普拉斯近似只有在海森矩阵正定时才有效。比较不确定性架构（贝叶斯神经网络、集成、保形预测、多项式混沌、概率ROMs）各有适用场景，但直接PIDT证据最弱。校准评估需通过覆盖概率、区间宽度、秩直方图、连续等级概率评分（CRPS）等指标，且必须在独立于训练数据的持有集上进行。验证与验证的区分：验证检查计算实现是否正确，验证检查模型是否适用于真实物理系统。
**7 RQ4：数据同化、传感器融合与实时更新**
实时同步是数字孪生与离线仿真器的关键区别。递归状态空间模型$x_{k+1}=f(x_k,\theta_k,u_k)+w_k$，$y_k=h(x_k,\theta_k)+v_k$，数据同化通过贝叶斯规则更新预测分布。主要方法家族包括卡尔曼滤波器（KF）、扩展卡尔曼滤波器（EKF）、集成卡尔曼滤波器（EnKF）、粒子滤波器和变分同化。在线参数识别通过增广状态实现。传感器融合需处理异质观测模型和稀疏观测算子（$n_y\ll n_x$）。可观测性分析通过可观测性矩阵或Fisher信息矩阵确定传感器配置最优性。实时模型修正通过偏差项$\delta_\psi$补偿模型偏差。在线学习通过递推最小二乘或随机梯度更新持续适应。稳定性诊断包括归一化新息平方（NIS），需监控新息的自相关性和漂移。实时性要求完整循环时间$T_{\text{cycle}}\leq T_{\text{deadline}}$。闭环决策支持将更新后的后验状态输入模型预测控制或优化问题。
**8 RQ5：工程应用与部署成熟度**
部署成熟度通过七项非补偿性证据门评估：资产链接（A）、自动同步（S）、独立验证（V）、显式不确定性处理（U）、全管道延迟证据（L）、有限决策连接（D）、回退或治理证据（F）。成熟度等级从级别1（仅模型）到级别5（自主运行）。应用领域成熟度不均匀：制造业和增材制造展现出最高的预测性和规定性部署成熟度；结构健康监测、航空航天、能源、海洋和核系统具有强物理和更新证据，但面临更高的可信性和安全壁垒；生物医学、土木和环境应用受限于稀疏数据、异构资产和验证约束。代表性研究门级赋值显示，飞机案例（Kapteyn等）支持级别4但回退仍部分未解决；激光焊接案例支持级别3预测性使用；海洋算子案例仅达到级别2验证模型。成熟度标签不应仅从模型精度推断，而需完成所有累积门。
**9 RQ6：操作性证据门限方法选择与未来研究需求**
方法选择遵循非补偿性证据门程序：步骤1定义决策目标与候选集，步骤2应用八项证据门（G1-G8：输出结构、数据连接、物理约束、基线、泛化、不确定性、延迟、决策），步骤3仅比较幸存架构。门状态分为演示（D）、部分（P）、失败（F）、未报告（NR）、不适用（NA）。通过应用于飞机、激光焊接、海洋算子和核反演四个代表性研究，展示了不同输出结构导致不同方法选择。未来研究优先事项包括：建立基准数据集、报告完整成本、强化分布外和失效测试、校准诊断、同化标准诊断、部署持续时间和回退行为。
**10 综合交叉RQ讨论、局限性与研究路线图**
六个RQ揭示共同架构：物理信息学习与神经算子加速或正则化计算；UQ限定预测含义；数据同化使表示保持最新；部署证据连接预测与工程决策。性能数字不可无条件迁移，需结合上下文解释。负面证据（如PINN失效分析、非可辨识性、滤波器发散）在技术上具有建设性，应被设计到基准测试中。研究路线图按方法特定：PINNs需条件化目标、边界误差报告、与有限元方法（FEM）的成本匹配比较；神经算子需报告离线成本、几何迁移、守恒误差、校准不确定性；贝叶斯校准需分离参数、观测噪声、数值误差和模型形式，并报告覆盖率和评分；数据同化需可观测性、新息白度、协方差一致性、集成退化或发散诊断；部署研究需独立物理验证、资产连接时长、人工监督、网络安全、回退行为。
**11 实践报告清单**
提供11项检查清单，包括：物理资产与预期用途、控制方程与边界条件、数据来源与传感器模型、计算模型与训练过程、强数值与统计基线、验证与分布外测试、不确定性来源、校准诊断、完整延迟、门状态、成熟度等级与回退。
**12 结论**
本综述映射了计算工程中物理信息数字孪生的六个交互组件。证据表明，没有任何单一方法能将模型转变为可信的数字孪生。可信性来自完整的链条：物理资产、计算表示、观测、更新、不确定性、验证、延迟和有限决策。PINNs和神经算子可降低在线计算成本，但需包括成熟数值基线、边界守恒检查和分布外测试。贝叶斯校准、集成和概率ROMs可表达不确定性，但模型形式和非可辨识性不能忽略。卡尔曼族、集成、粒子和变分更新可同步模型与资产，但可观测性、协方差假设、漂移和发散需要诊断。应用成熟度在有限、仪器化的过程中最强，在验证、安全、法规或长期现场证据薄弱的地方有限。非补偿性证据门程序提供了可操作的选择框架，应用于飞机、激光焊接、海洋和核反演研究展示了不同防御性选择。该领域将在通过证据和失效测试而非未校准分数或方法流行度来记录选择时取得进展。
