基于拉格朗日对偶的理论引导神经网络：二维单相地下流动模拟的新范式

本文介绍MiaoRong实验室提出的TgNN框架，该框架融合物理方程约束与深度神经网络，解决传统物理信息神经网络（PINN）在复杂非线性偏微分方程和大规模异构介质场景下的收敛困难、计算成本高昂等问题，实现数据稀缺场景（部分标签和无标签训练模式）下的高精度二维单相地下流动预测，为科学机器学习领域提供新范式。

深度学习在科学计算领域正从纯数据驱动向物理约束融合转变。传统PINN通过将偏微分方程作为损失函数正则项保证物理一致性，但面对复杂非线性偏微分方程和大规模异构介质时，存在收敛困难、计算成本高等挑战。MiaoRong实验室提出的TgNN利用拉格朗日对偶分解思想，将物理约束与神经网络训练解耦，为数据稀缺场景下的地下流动模拟提供可行路径。

TgNN的核心创新是引入拉格朗日乘子将物理约束转化为对偶问题。采用交替优化策略：每次迭代中，先固定拉格朗日乘子训练神经网络以最小化增广拉格朗日函数，再固定网络参数更新乘子强化物理约束。该策略将复杂约束优化转化为易求解子问题，神经网络用反向传播训练，乘子通过梯度上升更新，理论上可收敛到满足数据拟合和物理约束的KKT点。

二维单相流动控制方程为基于质量守恒的地下水流动方程：∂(S_s·h)/∂t = ∇·(T·∇h) + Q（h为水头，S_s为储水系数，T为导水系数张量，Q为源汇项）。非均质介质中T的空间异质性给数值模拟带来挑战。传统有限差分/元方法需精细网格导致计算量大；纯数据驱动NN训练快但难保证物理守恒律。TgNN通过理论引导，兼顾NN表达能力与物理规律满足。

TgNN实现两种训练模式：

1. 部分标签模式：适用于观测数据稀疏场景，结合少量标注观测点（如监测井水头）和大量无标签配点，利用物理信息补充数据不足，在少量观测下仍获准确预测，适用于成本限制下的工程应用。
2. 无标签模式：适用于无观测数据场景，仅依靠物理方程和边界条件训练，虽精度低于有监督情况，但能提供初步预测，助力探勘阶段决策。

项目采用MODFLOW-2005（业界标准地下水流模拟软件）生成高保真训练数据并作为物理约束参考；神经网络基于PyTorch实现，利用自动微分和GPU加速；通过Fortran接口（Console10.f90）实现MODFLOW与Python无缝数据交换；训练脚本支持网络结构、优化器、学习率调度等超参数配置，便于敏感性分析与调优。

实验显示TgNN在二维非均质单相流动问题上性能优异：与标准PINN相比收敛速度显著提升；部分标签场景下，仅用10%观测数据训练即可达到全数据训练精度；无标签模式下，模型能捕捉流动主要特征（流线走向、压力分布趋势），虽局部细节精度有损失，但可满足工程初步评估需求。

TgNN可推广到油藏多相流、污染物运移、地热系统等PDE描述的科学问题；石油工程中用于历史拟合和产量预测（新探区早期阶段），环境科学中用于地下水污染追踪与修复设计，碳封存领域用于CO2储存模拟。未来方向包括扩展到三维问题、处理多相流/多组分输运、结合生成模型/强化学习、不确定性量化（贝叶斯NN或集成学习）等。