1 基本概念
1.1 定义
半经验模型是一类介于纯理论模型与完全经验模型之间的建模方法。它通常以既有的物理定律、化学规律或统计框架为基础，再结合实验观测数据对部分参数、函数形式或修正项进行拟合。其目标是在保持一定机理解释的前提下，提高模型对现实系统的描述能力。
这类模型并不追求从第一性原理完整推导全部细节，而是允许在难以精确求解或机理尚不完备的环节中引入经验成分。因此，半经验模型常被视为一种兼顾可解释性与实用性的折中方案。
1.2 与其他建模方法的区别
半经验模型的核心特征在于“部分来自理论、部分来自数据”。它既不同于完全依赖机理推导的理论模型，也不同于主要通过统计相关关系直接建立的经验模型。其结构通常保留了对系统行为的基本约束，同时允许利用观测数据对复杂细节进行修正。
1.2.1 与纯理论模型的区别
纯理论模型通常从基本原理出发，尽量通过严格推导得到系统行为，强调机理完整性和逻辑闭合性。半经验模型则会在理论框架之外引入拟合参数或经验项，以弥补理论近似带来的偏差。前者更重视普适性，后者更重视在特定场景中的预测表现。
1.2.2 与经验模型的区别
经验模型多依赖数据相关性建立关系式，通常不要求明确的物理机制。半经验模型则保留了一定的理论结构，例如守恒关系、反应规律或系统约束，再在此基础上进行参数校准。因此，半经验模型一般比经验模型更具解释性，也更容易判断其适用范围。
1.3 核心特征
半经验模型的核心在于机理与数据的结合。它既不是纯粹的“公式拟合”，也不是完全不借助实验信息的理论演算，而是在可计算性、可解释性和精度之间寻找平衡。
1.3.1 机理约束
模型通常会继承某种基础机制，例如能量守恒、质量守恒、动力学关系或统计结构。这些约束为模型提供了基本骨架，使其输出不会脱离合理的物理或化学范围。
1.3.2 数据拟合
在基础框架之上，模型会利用实验数据对参数进行估计，或者对难以精确表达的部分进行修正。数据拟合使模型能够贴近真实系统，并提升对特定对象的描述能力。
1.3.3 可解释性与实用性的平衡
半经验模型往往不如纯理论模型严谨，也不如复杂数据模型那样高度灵活，但其优点是结构清晰、计算代价较低、结果较易解释。因此，它在工程计算和应用研究中具有较强的实用价值。
2 理论基础
2.1 物理与数学基础
半经验模型的理论底座通常来自物理规律与数学近似方法。它不试图精确求解所有微观过程，而是通过简化假设与参数化表达，将复杂系统转化为可操作的数学形式。
2.1.1 守恒律与近似假设
许多半经验模型建立在守恒律之上，如质量、能量或动量守恒。为了使模型可计算，常会引入局部平衡、弱相互作用、线性化或稳态等近似假设。这些假设降低了问题复杂度，但也限定了模型的适用条件。
2.1.2 参数化处理
参数化是半经验建模的重要手段。模型中某些难以直接求解的项，会被写成含若干待定参数的函数形式，再通过数据确定其数值。参数化处理使得模型能够在保留理论结构的同时吸收经验信息。
2.2 统计学基础
半经验模型常需要借助统计方法完成参数识别、误差控制和结果评估。尤其在数据存在噪声或样本有限时，统计工具对于模型稳定性具有重要意义。
2.2.1 回归与最小二乘法
回归分析是半经验模型中常见的参数估计手段。最小二乘法通过最小化预测值与观测值之间的偏差平方和，寻找最优参数组合。对于线性或近似线性问题，这种方法简单高效，应用广泛。
2.2.2 参数估计与误差分析
除了获得参数值，还需要评估参数的不确定性及其对模型输出的影响。误差分析通常关注残差分布、置信区间、灵敏度和稳定性，以判断模型是否可靠、是否存在偏差累积或局部失效。
2.3 经验修正思想
经验修正思想体现了半经验模型的灵活性。它允许在理论结果与实际观测不一致时，通过附加项或修正因子对模型进行调整。
2.3.1 修正项的引入
修正项可以用于补偿高阶效应、复杂边界条件、微观机制缺失或测量偏差。其形式可能是附加函数、修正系数，或针对特定变量的经验项。通过这类处理，模型能够更贴近真实数据。
2.3.2 经验常数的确定
经验常数通常来自实验标定、历史数据拟合或经验表格。它们并不一定具有直接的基础理论含义，但在特定条件下能显著改善模型表现。经验常数的可移植性往往有限，因此需要结合具体系统谨慎使用。
3 构建方法
3.1 模型设定
半经验模型的构建通常从明确问题边界和建立基础结构开始。先选择适当的理论框架，再决定哪些部分由理论约束，哪些部分由数据拟合。
3.1.1 选择基础理论框架
基础框架的选择取决于研究对象的性质。对于力学问题，可能采用守恒方程或本构关系；对于化学问题，可能采用反应动力学或热力学关系；对于统计问题，则可能采用概率分布或回归结构。
3.1.2 确定待拟合参数
在理论框架中，需识别哪些参数无法直接由理论精确给出，哪些函数形式需要经验化处理。待拟合参数应尽量具有明确意义，以便后续解释和校准。
3.2 数据获取与预处理
数据质量直接影响半经验模型的效果。采集、清洗和整理环节决定了模型拟合是否稳定、是否会被噪声误导。
3.2.1 实验数据采集
数据通常来自实验测量、现场观测或高精度模拟结果。采集时需要保证样本覆盖范围足够，且实验条件记录完整，以便后续建立参数与环境之间的联系。
3.2.2 异常值处理
异常值可能来自测量误差、记录错误或特殊工况。常见处理方式包括剔除、截断、平滑或采用鲁棒估计方法。合理处理异常值有助于避免参数被少量极端数据拉偏。
3.2.3 数据归一化与标准化
在变量量纲差异较大时，常需要进行归一化或标准化处理，以减少数值尺度对拟合过程的影响。这一步也有助于提高算法收敛速度和参数比较的可读性。
3.3 参数拟合
参数拟合是半经验模型从结构走向可用的关键步骤。根据模型形式和数据特点，可采用不同的优化策略。
3.3.1 线性拟合
当模型对参数呈线性关系时，可使用线性拟合方法直接求解。该类方法实现简单、计算稳定，适合初步建模和大样本情形。
3.3.2 非线性拟合
若参数进入模型的方式较复杂，则需采用非线性拟合。此时常见问题包括局部最优、初值敏感和收敛困难，因此往往需要配合迭代算法和合理的初始猜测。
3.3.3 多目标优化
实际建模中，可能同时需要兼顾精度、稳定性、物理合理性和计算成本。多目标优化可用于在多个指标之间寻求折中，使模型在不同约束下达到更均衡的效果。
3.4 模型验证
模型构建完成后，必须通过验证环节检查其可靠性。验证不仅关注拟合效果，还要考察模型在新条件下的表现。
3.4.1 交叉验证
交叉验证可用于评估模型对样本变化的敏感程度。通过将数据分为训练集与验证集，能够观察模型是否存在过拟合，并检验参数是否具有稳定性。
3.4.2 外推能力检验
外推能力检验主要考察模型在训练数据范围之外的表现。半经验模型通常对训练条件依赖较强，因此外推结果常比插值结果更脆弱，需要谨慎分析。
3.4.3 误差评估指标
常用指标包括均方误差、平均绝对误差、相关系数和相对偏差等。不同指标强调的侧重点不同，通常需要结合使用，以较全面地评估模型性能。
4 常见类型
4.1 物理半经验模型
物理半经验模型以物理定律为基础，通过经验参数或修正项提高对实际系统的描述能力。
4.1.1 经典力学中的修正模型
在经典力学中，某些复杂效应难以直接由基本方程准确描述，因此常通过阻尼项、修正系数或经验关系进行补充。这类模型在轨道运动、材料响应和振动分析中较常见。
4.1.2 量子化学中的半经验方法
量子化学中的半经验方法通常对电子相互作用进行简化，并用实验数据拟合部分参数，从而降低计算成本。这类方法适用于较大分子体系的近似计算。
4.2 化学半经验模型
化学半经验模型多用于描述反应速率、平衡性质或反应体系中的复杂行为。
4.2.1 反应速率模型
反应速率模型常基于动力学方程，并通过实验确定速率常数或活化参数。其优点是能够在一定温压条件下快速预测反应进程。
4.2.2 热力学性质模型
热力学性质模型用于估算焓、熵、自由能等量，通常在理论关系基础上加入经验关联式，以适应不同物质和条件下的性质变化。
4.3 统计半经验模型
统计半经验模型通过统计关系刻画变量之间的联系，常用于预测和分类。
4.3.1 回归模型
回归模型是最典型的统计半经验形式之一。它通过样本数据拟合自变量与因变量之间的关系，并保留一定的函数结构，便于解释各变量的作用。
4.3.2 时间序列模型
时间序列模型常用于具有时序依赖的数据。半经验形式通常在趋势、周期和随机波动之间建立近似描述，并通过历史观测校准参数。
4.4 工程半经验模型
工程领域中的半经验模型强调可计算性和可实施性，常直接服务于设计、预测和控制任务。
4.4.1 流体与传热模型
在流体与传热问题中，许多关联式通过实验总结流动状态、几何条件与换热系数之间的关系。这些模型便于工程计算，但通常依赖于特定工况范围。
4.4.2 材料性能预测模型
材料性能模型常结合微观机制和宏观测试结果，对强度、硬度、疲劳寿命或蠕变行为进行估计。经验修正可帮助模型适应不同成分、组织和处理条件。
5 典型应用
5.1 材料科学
材料科学中，半经验模型常用于从成分、结构与工艺条件推测材料行为。
5.1.1 力学性能预测
模型可用于估计屈服强度、弹性模量、断裂韧性等指标。通过少量实验数据校准后，模型能够辅助新材料筛选和工艺优化。
5.1.2 结构稳定性分析
在结构稳定性分析中，半经验模型可帮助判断材料或构件在载荷下的失稳趋势。其优势在于计算简便，适合工程初步设计阶段。
5.2 化学与分子模拟
化学与分子模拟中，半经验模型常用于降低高精度计算的代价。
5.2.1 分子性质估算
分子性质估算包括键长、偶极矩、反应性和部分能量参数等。半经验方法通常能够在可接受的精度下快速给出结果，便于筛选与比较。
5.2.2 反应路径分析
在反应路径研究中，半经验模型可用于快速扫描势能面、识别可能的过渡状态，并辅助判断反应是否具有可行性。
5.3 气象与环境科学
气象与环境领域常面对数据丰富但机理复杂的问题，半经验模型因而具有较高实用性。
5.3.1 气候参数估计
模型可用于估计辐射、云量、温度变化或降水相关参数。通过观测数据校准后，可在区域尺度上提供较便捷的近似结果。
5.3.2 污染扩散模拟
污染扩散模型往往结合扩散理论、风场条件和经验修正项，用于预测污染物在空气或水体中的迁移范围与浓度分布。
5.4 生物医学与生命科学
生命科学中的半经验模型常用于描述增长、传播、剂量反应等现象。
5.4.1 生长曲线建模
生长曲线模型可用于刻画细胞、组织或群体数量随时间变化的趋势。其参数通常具有一定生物学解释，但又依赖实际数据标定。
5.4.2 药效与剂量关系分析
这类模型用于分析药物剂量与效应之间的关系，并帮助确定合适的作用区间。其重点在于兼顾可解释性与临床适用性。
5.5 工程设计与控制
工程设计和控制系统中，半经验模型常被用作预测、优化和调节工具。
5.5.1 系统响应预测
对于机械、热工或电气系统，半经验模型可用来预测输入变化后系统的动态响应，帮助工程师提前评估性能和稳定性。
5.5.2 参数整定与优化
控制系统中的参数整定常依赖半经验模型提供的近似动态特征。借助模型，可更快找到较合适的控制参数组合，减少反复试验成本。
6 优势与局限
6.1 优势
半经验模型之所以广泛使用，主要在于其兼顾了理论约束与实际可用性，适合处理中等复杂度的问题。
6.1.1 计算效率高
由于模型通常经过简化，求解过程相对轻量，适合大规模计算、快速评估和实时应用场景。
6.1.2 便于工程应用
半经验模型往往结构明确、参数可调，因而易于嵌入工程流程，也便于根据现场数据进行修订。
6.1.3 兼具一定解释性
相较于纯数据模型，半经验模型保留了理论框架，使结果更容易从物理、化学或统计角度进行解释。
6.2 局限
半经验模型虽然实用，但其适用性并非无条件成立，尤其在数据不足或系统变化较大时更易出现偏差。
6.2.1 对数据依赖较强
模型质量高度依赖数据来源、采样范围和标定方式。若数据噪声较大或覆盖不足，参数可能失真。
6.2.2 外推能力有限
半经验模型通常在训练条件附近表现较好，但当环境、尺度或机制发生明显变化时，预测效果可能迅速下降。
6.2.3 机理完整性不足
由于存在经验修正，模型并不总能完整揭示系统内部机制。因此，它更适合作为实用工具，而非最终机理解释。
7 发展历程
7.1 早期经验公式阶段
早期科学与工程实践中，许多关系式来源于长期观测与归纳总结。这些公式虽未必具有完整理论基础，却为后续半经验建模奠定了方法论基础。
7.2 理论与实验结合阶段
随着现代科学发展，研究者开始尝试将理论推导与实验校准结合起来，在保留基本规律的同时提升模型精度。这一阶段推动了半经验模型的系统化形成。
7.3 现代半经验建模的发展
现代半经验建模更强调计算工具、算法优化与跨学科融合，使模型构建、校准和应用都更为高效。
7.3.1 计算机辅助拟合
计算机的引入使参数搜索、数值优化和误差分析更为便捷。研究者能够在更大参数空间内进行试算，从而获得更稳定的模型形式。
7.3.2 数据驱动与机理融合
近年来，半经验思想与数据驱动方法进一步结合，形成更灵活的混合建模思路。此类方法在保留机理框架的同时，也吸收了机器学习和统计学习的优势。
8 相关概念
8.1 机理模型
机理模型强调从基本规律出发建立系统描述，通常具有较强的理论统一性和解释深度。
8.2 经验模型
经验模型主要依靠观测数据总结变量关系，结构简洁，但理论解释通常较弱。
8.3 现象学模型
现象学模型用于描述可观测现象及其宏观规律，常介于机理阐释与经验拟合之间，与半经验模型有一定接近之处。
8.4 数据驱动模型
数据驱动模型以数据模式识别为核心，常通过算法自动学习输入输出关系，理论假设相对较少。
8.5 混合模型
混合模型通常指将机理模型与数据方法结合的建模形式。它与半经验模型在思想上相近，但实现方式可能更加多样。
9 代表性实例
9.1 量子化学中的半经验方法
量子化学中的半经验方法是半经验建模的典型代表之一。它在保证基本电子结构框架的同时，对复杂项进行简化和参数化处理，以降低计算成本。
9.1.1 参数化哈密顿量
这类方法常通过参数化哈密顿量来描述体系能量，并用实验数据或高精度计算结果拟合关键参数，从而获得可用的近似解。
9.1.2 近似电子结构计算
借助半经验处理，电子结构计算可在较低代价下完成，适合中等规模分子体系的快速估算与筛选。
9.2 材料科学中的经验修正方程
在材料科学中，常见做法是对基础力学或热学公式加入修正项，以适应不同组织、温度或加载条件。此类方程通常在特定材料体系中表现良好。
9.3 工程中的半经验关联式
工程关联式多用于换热、阻力、强度与寿命估算等场景。它们往往由实验归纳而来，但保留了必要的理论结构，因此在设计计算中使用频繁。
10 研究与应用中的注意事项
10.1 参数可迁移性
半经验模型中的参数往往与具体条件密切相关，直接迁移到其他体系时可能失效。因此，跨场景应用前应先评估参数是否仍具代表性。
10.2 适用边界识别
建模时需要明确温度、压力、尺度、组成或工况范围，避免将模型用于其验证之外的区域。清晰的边界识别有助于降低误用风险。
10.3 过拟合风险
当拟合参数过多或数据过少时，模型可能只是在“记住”训练样本，而非真正掌握规律。为减少过拟合，通常需要控制模型复杂度并进行独立验证。
10.4 模型更新与再校准
随着新数据不断出现，半经验模型应定期更新。重新校准参数、调整修正项或修订适用范围，能够维持模型在实际应用中的可靠性。