汽车座舱是乘员与汽车之间的主要界面，直接影响乘客舒适性和驾驶安全[1,2]。这一封闭微环境中的热和空气质量状况对驾驶员产生可测量的生理和认知影响。实证研究表明，不理想的座舱温度和空气质量会损害认知表现[3,4,5]，延长反应时间[6,7]，增加困倦感[8]，并加剧心理压力[9]。从能源角度来看，暖通空调系统是车辆中最大的辅助负载之一，在传统车辆中占总燃料消耗的25%，而在电池电动汽车（BEV）中构成更为不成比例的负担，因为所有热调节能量均直接从牵引电池中获取[10]。这对续航里程焦虑产生了重大影响，而续航里程焦虑是电动汽车广泛采用的关键障碍：实际研究表明，在极端环境温度下使用暖通空调可使续航里程减少17%至40%[10,11]。因此，优化座舱热管理与提高电动汽车能效和消费者接受度密不可分。
与建筑室内环境相比，汽车座舱提出了更具挑战性的热建模问题[12]。座舱几何形状复杂且高度紧凑，支持速度和温度场中强烈的空间非均匀性[13,14]。更关键的是，典型汽车的窗墙比超过传统建筑，导致太阳辐射在座舱热负荷中占据主导地位，并在热环境中引入了快速且高度非线性的时间和空间变化[15,16]。这些特征加上通过对流气流、辐射传热和通过车身的传导换热之间的多物理耦合，使得座舱热环境的预测本质上比建筑环境更为困难。以往的研究采用了几种汽车座舱建模方法。计算流体力学仍是建模汽车座舱热环境的主要高保真工具[17,18,19,20]，能够解析控制乘员热舒适的复杂气流组织、温度分层和辐射换热。然而，CFD仿真计算代价高昂，通常每个工况需要几十分钟至数小时进行逼真的座舱模型仿真。这种成本使得CFD无法直接用于迭代设计优化、实时控制或涉及大量运行条件的参数研究。集总参数方法通过将整个座舱视为一个或少数几个耦合区域来实现快速计算[21,22,23,24]，但它们完全牺牲了空间分辨率，无法捕捉对局部热舒适评估至关重要的非均匀温度分布。数据驱动模型，包括基于实验或仿真数据库训练的神经网络，避免了详细的物理专业知识需求，并实现了高计算效率[25,26,27]；然而，它们需要大量训练数据集，缺乏物理可解释性，且往往在超出训练条件范围时外推效果不佳。
为克服这些局限性，近期研究者提出了基于CFD的代理模型，结合了CFD数据生成的物理保真度与学习模型的预测速度[28,29,30]。在这一类别中，基于流场模态分解的代理方法引起了越来越多的关注[31,32]，因为它们从CFD结果中提取具有物理意义的位置模态，而非将模型视为黑箱。除作为快速运行代理模型的基础外，模态分解技术还因其固有的提取相干结构和提供复杂场的物理可解释低维表示的能力而广受认可。例如，正交分解已被有效应用于评估浅环境流中技术选择的含义[33]以及阐明城市空气污染分布中大规模时空相关性[34]。这些更广泛的环境应用突显了正交分解在捕获高维传输和流动系统潜在主导物理规律方面的数学鲁棒性，使其非常适合紧凑表征汽车座舱环境。在建筑环境领域，我们课题组提出了一种结合正交分解与人工神经网络的代理模型，在保持高预测精度和对未见边界条件泛化能力的同时实现了计算成本的显著降低[35]。然而，将该框架从建筑内部转移到电动汽车座舱并非简单的数据集更改，因为这两个问题在直接影响代理建模难度的方面存在差异。首先，汽车座舱远比建筑空间紧凑且几何复杂，其窗墙比远超过典型房间，因此通过玻璃的辐射在热负荷中占据主导地位，并在窗户、进气口和乘员表面附近产生陡峭的局部温度梯度，而非建筑空间中相对平缓且平滑变化的场。这些尖锐梯度对空间表示提出了更高要求，引发了紧凑模态基能否仍忠实地重构场，以及高分辨率CFD结果被减少到可处理数量级时有多少信息丢失的问题。其次，座舱热响应由玻璃辐射、送风和环境条件之间的强耦合作用主导，因此从边界条件到温度场的映射更加非线性，预计预测难度在运行范围内会有显著变化而非均匀分布。第三，每次高保真座舱仿真计算代价高昂，这使得可实现训练集的大小本质上较小，对数据效率和不依赖于单次任意训练/测试划分的统计可靠评价提出了要求。
本研究直接应对这些挑战。对空间简化的保真度进行量化，以确认紧凑离散化保留了座舱陡峭梯度；通过嵌套交叉验证协议对代理模型进行评估，该协议产生置信度量而非单次划分指标；在逐步减少训练集的情况下考察其数据效率，以探索昂贵CFD数据特征的小样本区域；分析预测误差在参数空间中的空间分布，以揭示座舱特定的非线性如何塑造代理模型成功或精度较低的区域。在此过程中，该工作超越了对现有方法的直接重用，提供了正交分解-神经网络代理建模在何时以及为何对汽车座舱问题有效的定量表征，这是一个尚未报道过的应用，弥合了建筑与汽车领域之间的方法学差距。
