1 基本概念
1.1 定义与核心思想
机理建模是依据对象内部的作用规律、守恒关系、因果链条以及已知理论来建立模型的方法。它关注系统“如何运行”以及“为何如此变化”，通常把现实对象抽象为由变量、关系式和约束条件组成的数学描述。与只追求拟合结果的做法不同，机理建模强调模型结构应当尽量反映真实机制，从而使结果具有解释意义。
其核心思想在于：先理解系统的组成与作用方式，再据此构造可计算、可检验的模型。模型并不一定完全等同于现实，但应能在合理范围内描述主要行为，并对外部输入变化作出有依据的响应。
1.2 机理建模与经验建模的区别
机理建模通常从理论与规律出发，先确定变量之间的因果联系，再进行参数估计与验证；经验建模则更多依据观测数据直接归纳关系，强调统计拟合效果。前者往往具有更强的可解释性和可迁移性，后者则在数据充足且机制复杂时更易快速得到近似结果。
两者的差别还体现在模型修正方式上。机理建模若出现偏差，通常需要回到结构假设、守恒条件或边界设置中查找原因；经验建模则更多通过更换函数形式、增加特征或优化拟合指标来改进效果。现实研究中，两类方法常被结合使用，以兼顾解释与精度。
1.3 机理建模与数据驱动建模的关系
数据驱动建模依赖大量数据，通过统计学习、机器学习等方式发现模式，适合处理高维、复杂或机制不完全清楚的问题。机理建模则为数据驱动结果提供理论骨架，帮助约束模型输出，避免出现明显违背常识或物理规律的结论。
二者并非对立关系，而是互补关系。数据驱动方法能够补足机理不明或难以解析的部分，机理方法则能提升数据模型的稳定性和可解释性。近年来，许多研究采用混合思路，将数据学习与规律约束结合起来，以提高模型在复杂场景中的适用性。
1.4 机理建模的优势与局限
机理建模的主要优势包括解释性强、可外推性较好、便于进行控制与优化分析，以及能够明确指出关键变量与作用路径。对于实验设计而言，它也能帮助研究者聚焦最值得观测和干预的环节。
其局限主要在于：构建过程依赖较强的专业知识，复杂系统中机制往往难以完全穷尽，参数获取也可能成本较高。当系统存在大量未知因素、强随机扰动或高度非线性时，模型可能需要较多简化假设，从而影响精度。因而，机理建模通常强调“在可解释前提下尽量逼近真实”。
2 理论基础
2.1 守恒定律与平衡关系
机理建模常以守恒定律为基础，通过描述某一量在系统内部的积累、流入、流出和转化来建立方程。平衡关系则用于刻画系统在稳态或近稳态条件下各部分之间的相互约束，使模型具有明确的物理含义。
2.1.1 质量守恒
质量守恒是许多模型的起点。对于封闭或近似封闭系统，质量不会凭空产生或消失，只会在不同形态或位置之间转移。化工反应、流体输运、生态物质循环等问题，常通过质量守恒方程描述物质的积累与交换。
2.1.2 能量守恒
能量守恒用于描述热、功、化学能、电能等形式之间的转换。很多热力学系统、机械系统和生物代谢过程都要考虑能量输入、消耗与散失。通过能量守恒，可以分析系统效率、温度变化以及功率分配等关键特征。
2.1.3 动量守恒
动量守恒主要应用于力学和流体问题，用以刻画受力后速度和运动状态的变化。它能够解释物体加速、碰撞、流体流动和波传播等现象。在工程分析中，动量方程常与质量、能量方程共同构成基础模型。
2.2 因果推理与系统结构
机理建模不仅关注变量之间是否相关，更强调哪一方影响另一方，以及这种影响通过何种路径传递。因果推理使模型不只是“描述现象”，而是能够解释现象背后的结构性原因。
系统结构通常由节点、连接关系、反馈回路和边界条件组成。结构的设定决定了模型能否反映真实过程中的主导机制。若结构选择不当，即使参数拟合良好，也可能得出缺乏机制意义的结论。
2.3 微分方程与状态变量
微分方程是机理建模中最常见的数学工具之一，用于描述变量随时间或空间变化的速率。状态变量则表示系统在某一时刻的内部状况，如浓度、温度、位移、速度或种群数量等。
通过状态变量与微分方程的结合，模型能够从初始条件出发推演系统演化过程。这类方法特别适合连续变化的对象，也便于进行稳定性分析、参数灵敏度研究和数值模拟。
2.4 非线性系统与反馈机制
现实系统往往具有非线性特征，即输入与输出之间不是简单比例关系。非线性可能导致阈值效应、多稳态、振荡、突变等复杂行为，因此在机理建模中十分重要。
反馈机制则是非线性的重要来源之一。正反馈会放大变化，可能推动系统迅速偏离原状态；负反馈则起抑制作用，有助于维持稳定。许多生物调节、控制回路和生态平衡现象，都可通过反馈结构得到较好解释。
3 建模流程
3.1 问题定义与目标设定
建模首先要明确研究对象、问题范围以及期望输出。目标可能是解释机理、预测趋势、优化方案、评估风险或支持决策。不同目标会决定模型复杂度、精度要求与验证方式。
清晰的问题定义还能避免模型无边界扩张。若目标不明确，模型可能在细节上不断增加，却难以服务于实际用途。因此，设定可检验、可实现的建模目标是整个流程的起点。
3.2 系统边界与变量识别
系统边界决定哪些过程纳入模型，哪些过程视为外部影响。变量识别则是把真实系统中的关键量提取出来，并区分其类型和作用。边界与变量的选择直接影响模型的完整性和复杂度。
3.2.1 输入变量
输入变量是外部施加到系统上的条件或驱动因素，如温度、负载、流量、控制信号或环境扰动。它们通常作为模型的已知量或可调量，用于分析系统响应。
3.2.2 输出变量
输出变量是模型最终要解释或预测的结果，例如位移、产率、浓度、性能指标或风险水平。输出变量的定义应尽量与研究目标一致，便于后续检验与应用。
3.2.3 状态变量
状态变量用于表征系统内部状态，是连接输入与输出的中间桥梁。通过跟踪状态变量的演化，可以描述系统在不同时刻的动态过程，并识别关键环节的变化。
3.3 机制假设与结构构建
在掌握背景知识后，需要提出机制假设，即哪些作用是主要的、哪些可以忽略。随后根据假设搭建结构，包括变量关系、转化路径、约束条件和边界条件等。
这一阶段强调“先有结构，再谈拟合”。合理的结构可以减少无意义的自由度，并使模型更贴近真实机制。若后续验证显示结构不符，还需返回该步骤进行调整。
3.4 参数获取与估计
模型结构确定后，通常还需要获取参数，如速率常数、传热系数、弹性系数、扩散系数或反应效率等。参数可以来自实验测量、文献资料、先验知识或反演计算。
当参数无法直接测得时，常通过估计方法从观测数据中推断。参数精度会明显影响模型输出，因此这一环节既涉及数学优化，也依赖实验设计与数据质量。
3.5 模型求解与验证
建立模型后，需要选择合适的求解方法获得可分析结果。简单模型可直接解析求解，复杂模型则常依赖数值计算。求解完成后，应将结果与实验、观测或既有理论进行对照，检验模型是否合理。
验证不仅关注数值是否接近真实，还要看模型是否在不同条件下保持一致表现。若模型只能在个别情形下成立，其适用范围就需要重新界定。
3.6 结果解释与迭代修正
机理建模的价值不仅在于得到结果，更在于解释结果背后的原因。通过分析参数、变量和结构，可以识别主导机制、关键路径以及可能的控制点。
若模型存在偏差，通常需要迭代修正，包括调整假设、补充变量、改写方程或重新估计参数。机理建模往往是一个循环往复的过程，随着数据和认识的增加不断完善。
4 常用建模方法
4.1 解析建模
解析建模是利用公式推导、定理和已知规律直接构造模型的方法。其优点是表达清晰、结构简洁，便于获得理论洞见。适用于关系较明确、系统规模较小或可以理想化处理的问题。
4.2 微分方程建模
微分方程建模通过描述变化率来刻画系统演化，是机理建模中最经典的方式之一。根据变量是否依赖时间或空间，可进一步分为常微分方程和偏微分方程。
4.2.1 常微分方程模型
常微分方程模型主要用于描述随时间变化的系统状态，如人口增长、药物浓度变化、振动系统和电路响应等。它通常假设空间分布影响较弱，因而便于分析和求解。
4.2.2 偏微分方程模型
偏微分方程模型用于同时考虑时间与空间变化，适合热传导、扩散、流体流动和波动等问题。此类模型能更细致地反映局部差异，但计算量和求解难度通常更高。
4.3 状态空间建模
状态空间建模把系统表示为状态方程和观测方程的组合，适用于动态过程分析与控制设计。它能够清楚地区分内部状态、外部输入和可观测输出，因而在工程和自动化领域应用广泛。
4.4 网络与图模型
网络与图模型通过节点和边表示系统元素及其相互作用，适合处理复杂连接关系明显的对象，如代谢网络、交通网络、通信网络和社会关联结构。该方法强调结构关系，有助于分析传播、耦合和拓扑特征。
4.5 多尺度建模
多尺度建模用于处理同一系统在不同时间尺度、空间尺度或层级上的行为差异。很多现实问题同时包含微观机制与宏观表现，单一尺度往往难以完整描述。多尺度方法试图在不同层次之间建立映射关系。
4.6 混合建模
混合建模是将机理方法与统计学习、经验公式或数值拟合结合起来的思路。它既保留部分理论约束，又吸收数据中的实际信息，常用于机制不完全明确但又需要较高精度的场景。
5 关键技术
5.1 参数辨识
参数辨识是从观测数据中反推出模型参数的过程。其目标是让模型输出与实际观测尽可能一致，同时保持参数具有合理物理意义。不同问题可采用不同的估计策略。
5.1.1 最小二乘估计
最小二乘估计通过最小化预测值与观测值之间的平方误差来确定参数，方法简单、应用广泛。它适用于误差近似独立且分布较规则的情形。
5.1.2 最大似然估计
最大似然估计从概率角度出发，选择使观测数据出现概率最大的参数组合。该方法可自然纳入噪声模型，并与统计推断紧密结合。
5.1.3 贝叶斯估计
贝叶斯估计将先验知识与观测数据结合，得到参数的后验分布。它不仅给出参数的可能值，还能表征不确定性，因此在数据不足或先验信息较强时尤为有用。
5.2 敏感性分析
敏感性分析用于判断模型输出对各参数或变量变化的响应程度。通过识别高敏感参数，可以发现系统中最关键的控制点，并指导实验设计与参数优先估计顺序。
5.3 不确定性量化
不确定性量化关注模型输入、参数、结构及观测误差带来的结果波动。它有助于说明模型预测并非单一数值，而是一个范围或分布，从而提升结论的稳健性与可信度。
5.4 模型简化与降阶
复杂模型虽然更接近真实，但计算代价高，且不利于分析。模型简化与降阶旨在保留主要动力学特征的前提下，减少变量数量或方程复杂度，使模型更易求解和理解。
5.5 数值仿真与稳定性分析
数值仿真用于计算难以解析求解的模型结果，是验证机理假设的重要手段。稳定性分析则判断系统在扰动下是否会回到平衡状态，或会进入新的运行模式。两者常结合使用，以考察模型行为是否符合预期。
6 典型应用领域
6.1 物理系统
在物理系统中，机理建模常用于描述力、热、流体、电磁等现象。通过守恒定律和场方程，可以分析运动规律、传输过程以及系统响应特征。
6.2 化学反应过程
化学过程中的机理建模主要关注反应路径、速率、平衡与传质传热影响。它可用于解释产物生成、反应选择性以及工艺条件变化对结果的作用。
6.3 生物与医学系统
生物与医学系统常具有强非线性和多因素耦合特征，机理建模可用于描述生理调节、药物代谢、传播过程和组织反应等问题。此类模型往往需要结合实验数据和生物学知识共同建立。
6.4 材料科学
材料科学中的机理建模用于研究微观结构、缺陷演化、相变过程及材料性能之间的联系。它有助于解释材料为何在特定条件下表现出某种强度、韧性或导电性。
6.5 机械与控制工程
机械与控制工程高度依赖机理模型来设计机构、分析动力学并实现反馈控制。模型可以帮助预测系统响应、识别振动问题、优化控制器参数，并提高运行稳定性。
6.6 环境与生态系统
环境与生态系统中，机理建模常用于描述污染物扩散、水循环、碳循环、种群变化及生态相互作用。此类问题通常跨尺度、跨过程，因而常需结合多种方程与观测资料。
7 模型验证与评估
7.1 可靠性检验
可靠性检验旨在判断模型在不同条件下是否保持基本正确性。通常需要考察模型假设是否成立、参数是否稳定，以及在边界条件变化时结果是否仍然合理。
7.2 实验对照与交叉验证
实验对照是将模型结果与真实实验或历史观测进行比较，检验其是否能够重现实象。交叉验证则常通过分组数据测试模型在未见样本上的表现，以避免过度依赖特定数据集。
7.3 预测误差分析
预测误差分析用于量化模型输出与实际值之间的差异，并判断误差来源是参数偏差、结构简化还是数据噪声。通过系统分析误差，可以为后续修正提供依据。
7.4 可解释性评估
可解释性评估关注模型是否能够说明变量之间的作用关系，以及结论能否被领域知识接受。对于机理建模而言，可解释性通常是核心指标之一，因为模型不仅要“算得准”，也要“讲得通”。
7.5 鲁棒性评估
鲁棒性评估用于考察模型面对扰动、噪声或条件变化时是否仍能保持较稳定表现。若模型对微小扰动过度敏感，则在实际应用中可能缺乏可用性。
8 发展趋势
8.1 与人工智能的融合
机理建模与人工智能的融合正在成为重要方向。人工智能可用于辅助识别模式、筛选结构和估计参数，而机理约束则能提升学习结果的可信度，使模型更符合现实规律。
8.2 机理-数据融合模型
机理-数据融合模型试图同时利用理论知识与观测数据，兼顾解释能力与预测性能。这类模型适合处理既有明确规律、又存在未知复杂因素的问题，因而应用前景广阔。
8.3 自动化建模与符号发现
自动化建模强调利用算法从数据和先验知识中自动生成模型结构。符号发现则试图识别出简洁的数学表达式，减少人工试错成本，提高建模效率。
8.4 数字孪生中的机理建模
数字孪生强调构建现实对象的动态虚拟映射，而机理模型是其中的重要基础。通过持续接入数据并更新机理参数，虚拟模型可以更贴近真实状态，用于监测、预测和优化。
8.5 面向复杂系统的多尺度集成
复杂系统往往同时包含局部过程、整体行为与跨层级耦合。未来的机理建模将更加重视多尺度集成，把微观机制、宏观规律与数据反馈统一起来，以更全面地刻画系统演化。