稀疏观测也能重建两相流：分层加权的物理信息网络在20个标签下领先调优回归器
核心概要
在只有20到50个坐标—状态观测时，物理信息神经网络（PINN，把控制方程和初边值条件写进损失函数的网络）在热方程与三个非均质两相流基准上取得最高的平均主目标精度，水饱和度的优势一直保持到1000个标签。分层损失加权（H-PINN）及其梯度方向感知扩展（HO-PINN）按更高优先级损失的进度逐步激活物理约束，在部分设置中降低了多次运行间的波动。代价是拟合时间显著高于调优后的梯度提升、支持向量回归和高斯过程回归。
深度剖析
在标签极少时，把已知物理写进训练目标可以让神经网络代理模型只凭几十个坐标—状态观测就重建出解场，包括带移动饱和前沿的非均质两相流。 此前的数据驱动多孔介质代理模型通常以完整模拟实现或整场序列为训练单元，而这里每个标签只是一个坐标与状态值，不是一次完整模拟。 在20和50个标签下，16个测试—区域—预算组合中都有至少一个PINN变体的平均主目标精度最高；在20到1000个标签范围内，两相流的水饱和度比较中PINN在全部36个组合领先，六个经典方法的胜出全部出现在热方程上。
分层加权让物理约束按优先级依次生效，而不是从一开始就以固定权重与数据项竞争。 普通PINN对数据、初边值和方程残差使用常数权重，H-PINN与HO-PINN则把权重归一化，并让后一级目标在前一级误差接近预设尺度时才被激活。 HO-PINN进一步按梯度方向削减已被前序目标覆盖的方向的权重，只用于形成标量权重而不替换最终反向传播的梯度；在热方程上，H-PINN和HO-PINN相对普通PINN的中位标准差比为0.19和0.16。
这种标签效率伴随明显的拟合开销，且加权带来的稳定性收益依问题而定。 普通PINN在部分极稀疏流动条件下比加权变体更稳定，而高斯过程回归在采样充分的光滑热方程上更可取。 在20个标签下，四个测试的平均GPU拟合时间对普通PINN为39到96分钟、H-PINN为41到97分钟、HO-PINN为64到158分钟，而经典回归器含调优的CPU拟合时间约为0.8到66秒。
启示与展望
结论适用于控制方程与初边值条件已知、标签为单个坐标—状态观测的设定，覆盖周期热方程和三个非均质两相流基准，其中渗透率反差约为24和接近五个数量级，并包含一个七输入参数化代理问题。流动参考解使用单一空间分辨率和固定渗透率场，测试4只留出坐标而非整个参数组合。
加权带来的稳定性收益依问题而定：普通PINN在测试2的多数条件下标准差更小，在测试3的20标签条件下其预测分数优于两个加权变体，且加权变体在测试3和4的20标签条件下出现了少量负的主目标值。开发阶段曾查看预测指标并复用种子101至103，协议并非完全嵌套的模型选择；当方程不可用、不确定或只在标签区间内施加时，排名是否保持尚未确定。