玻尔百科计算地质力学是一门模拟地质材料力学行为的科学，是现代土木工程、资源开采和气候科学的一项关键能力。从预测边坡的稳定性到为摩天大楼设计地基，我们预测地球对变化响应的能力依赖于将复杂的物理定律转化为计算机能够理解的语言。然而，这种转化远非易事；它需要在数学近似、数值挑战和计算权衡的复杂 landscape 中穿行，以捕捉土壤和岩石错综复杂、非线性和多相的性质。本文旨在弥合物理现象与为其模拟而构建的计算引擎之间的知识鸿沟。
为了阐明这一过程，以下章节将引导您深入计算地质力学的核心。首先，在“原理与机制”部分，我们将剖析模拟的基本构建模块：我们如何将世界离散化为网格，如何为耦合物理现象建立控制方程，如何求解由此产生的非线性系统，以及如何让解在时间上向前推进。之后，在“应用与跨学科联系”部分，我们将看到这些原理的实际应用，探索模型是如何构建的，它们如何表示复杂的材料行为，如何为高性能计算机进行优化，以及如何与真实世界的数据集成，从而打造未来的预测工具。
为了模拟我们脚下的地球——预测边坡的缓慢蠕变、地基对摩天大楼重量的响应，或地震中土壤的剧烈震动——我们必须将优雅的物理定律转化为计算机能够理解的语言。这种转化是计算地质力学的核心。它不仅仅是转录，更是一种艺术形式，一种近似与权衡之舞，我们在此过程中不断地在物理保真度与计算可能性之间寻求平衡。让我们从头开始，逐层揭开这个迷人过程的面纱。
真实世界是连续的。一块土壤包含无限多个点，应力和应变定律适用于所有这些点。然而，计算机只能处理有限数量的事物。我们的第一个，或许也是最根本的转化行为，就是将连续的世界分解为有限数量的可管理部分。这个过程称为离散化，其结果通常是一个网格：一个由三角形或四边形等简单形状组成的网络，填充了我们地质域的整个体积。在每一个这样的小“单元”内，我们可以做出简化的假设，将复杂的微分方程转化为代数方程组——这是计算机钟爱的算术类型。
但并非所有网格都是生而平等的。想象一下用砖块建造一个穹顶。如果你的砖块都均匀且形状规整，穹顶将会坚固而稳定。如果你的砖块扭曲、狭长且变形，结构将会脆弱且不可靠。计算网格也是如此。使用“狭长”或严重扭曲的三角形可能导致数值误差和不稳定性。更糟的是，它可能引入一种称为数值各向异性的幻象属性。即使我们模拟的是完全均匀、各向同性的土壤（即在所有方向上行为都相同），一个三角形沿特定方向排列的网格也可能导致我们的模拟表现得好像土壤本身具有一个优先方向，从而污染我们的结果。
为了避免这种情况，我们力求使用形状良好的单元来构建网格。Delaunay 三角剖分是一个强大的工具，它是一种优美的算法，对于给定的点集，能生成一个使所有三角形的最小角最大化的网格。通过这样做，它从本质上避免了那些作为数值精度 bane 的狭长三角形。网格的质量不仅仅是一个美学选择；它是一个可靠模拟的根本基础。
一旦我们有了网格，就必须在其上定义物理。考虑水在多孔土壤中的流动，这由达西定律 governing。一个简单、直观的想法是，两个相邻单元之间界面上的流量仅取决于这两个单元之间的压力差。这就是两点通量近似 (TPFA)。对于一个完全规则的正交网格（像棋盘格）和各向同性材料，这种方法效果很好。但真实的地质情况是 messy 的。地质层是倾斜的，我们的网格必须与之贴合，从而产生倾斜、非正交的单元。此外，许多地质材料，如页岩或裂隙岩石，是各向异性的——水沿层理面的流动比穿越它们更容易。在这些真实世界的情景中，简单的 TPFA 模型失效了。一个界面上的通量不再仅仅是一个局部事务；它受到附近其他单元压力的微妙影响。为了正确捕捉这一点，我们需要更复杂的方法，如多点通量近似 (MPFA)，它通过使用更大的压力点 stencil 来计算通量，从而明确地考虑了这些几何和材料的复杂性 [@problemid:3547667]。这是计算科学中一个反复出现的主题：我们最初想法的 delightful 简单性，往往必须让位于更复杂、更稳健的方法，以忠实地捕捉自然界 delightful 的复杂性。
在地质力学中，我们经常面临耦合问题，即多个物理过程相互作用。一个经典的例子是 saturated soil。当你加载土壤时，其固体骨架会变形。这会挤压水分，增加其压力。高压水随后试图流走，这反过来又改变了作用在固体骨架上的力。为了模拟这一点，我们必须决定哪些量是我们的“主变量”——即我们要求计算机求解的基本未知数。
一种选择是基于位移的，或称 -only 公式，我们只求解土壤骨架的位移。这在一些极限情况下是可能的，比如完全干燥的材料，或者在快速加载下水没有时间逸出的完全饱和材料（不排水条件）。在这些情况下，控制方程组装成一个对称正定 (SPD) 的大型矩阵系统。一个 SPD 矩阵是数学家眼中稳定的弹簧网络。它代表一个具有势能的系统，其解对应于唯一的最小能量状态。对其施加推力会储存能量，并且它有一个单一、行为良好的平衡点。
然而，对于耦合的多孔介质力学的一般情况，我们必须同时求解固体位移 () 和孔隙流体压力 ()。这是一个混合 公式。这个选择对问题的数学结构产生了深远的影响。得到的矩阵系统不再是正定的。相反，它变成了一个鞍点系统。想象一下所有可能解的 landscape。一个 SPD 系统就像一个巨大的碗；只有一个唯一的最低点，从碗里的任何地方，“向下”的方向都会指向它。而一个鞍点系统就像一个山口或一块薯片：它在一个方向上（沿着山口）是最小值，但在另一个方向上（沿着山谷壁向上）是最大值。找到这个点是一个棘手得多的命题。选择将哪些物理量作为主变量，从根本上改变了我们必须 navigating 的数学 landscape。
地质力学的世界很少是线性的。将土壤样本上的载荷加倍，并不一定会使其变形加倍。在某个点上，土壤可能开始屈服，发生永久性变形——这一特性称为塑性。或者，材料在破坏时可能会软化并失去强度。这种非线性意味着我们无法一次性求解方程组。我们必须通过迭代来找到解。
完成这项任务的主力是牛顿-拉夫逊方法。这个想法既优雅又强大。在我们迭代过程中的任何给定点，我们的系统很可能是不平衡的；材料应力产生的内力与我们施加的外力不匹配。这种不平衡就是残差。牛顿-拉fus逊方法审视这个残差并提问：“系统此刻的局部刚度是多少？”这个“局部刚度”是一个巨大的矩阵，称为切线刚度矩阵（或雅可比矩阵）。然后我们求解一个线性系统，以找到位移修正量，这个修正量如果系统以该切线刚度呈线性行为，就能完美地抵消残差。从几何上看，这就像通过在我们当前的猜测点画一条切线，然后看它与零轴的交点来找到曲线的根。
当我们接近真实解且问题行为良好时，牛顿法的速度快得驚人。它表现出二次收敛，这意味着我们答案中正确数字的位数在每次迭代中大约可以翻倍。然而，这种惊人的速度取决于使用一致算法切线——即我们数值残差的真实、精确导数的矩阵。
但这个强大的方法有一个阿喀琉斯之踵。远离解，或在涉及材料软化的问题中，切线可能是一个糟糕的向导。一个完整的牛顿步可能会严重“过冲”解，使残差变得更大，导致迭代发散。为了驯服牛顿-拉夫逊这头野兽，我们采用全局化策略。最常见的是线搜索。牛顿步为我们提供了一个搜索方向。我们不是盲目地迈出完整的一步，而是问：“我们应该在这个方向上走多远？”我们沿着这条线进行搜索，以找到一个步长 ，确保我们的残差有足够的下降。我们不需要找到完美的步长，那在计算上是浪费的。一个非精确线搜索，它找到一个“足够好”的步长（例如，满足 Armijo 或 Wolfe 条件），要实用和稳健得多。
即使有线搜索，在每次迭代中重新计算巨大的切线矩阵并求解线性系统也可能成本高昂得令人望而却步。这催生了一系列基于有趣权衡的相关方法。我们可以使用修正牛顿法，即我们“冻结”切线矩阵并将其重用于几次迭代。每一步都更便宜，但收敛速度从二次降至线性。一个更 sophisticated 的折衷方案是拟牛ton法，例如著名的BFGS算法。这些方法完全避免了 forming 真实切线。相反，它们利用先前步骤的信息，动态地构建其近似值。它们实现了超线性收敛——比牛顿法慢，但比修正牛顿法快得多——而每步的计算成本 chỉ là一小部分。对于真正巨大的问题，有限内存BFGS（L-BFGS）通过只使用最后几步的信息，将这一点发挥到极致，从而大大减少了内存需求。这个求解器层级，从强大但昂贵的完全牛顿法到节俭的 L-BFGS，提供了一个工具包，以便将计算策略与问题的需求相匹配。
当我们从静态平衡转向动力学问题时——比如分析大坝对地震的响应——我们增加了时间的维度。我们必须一步一步地“推进”我们的解。在这里，我们面临另一个基本选择：是使用显式还是隐式时间积分格式？
显式格式在概念上很简单。下一时间步的系统状态是根据当前时间步的状态显式计算出来的。每一步的计算成本都非常低，因为它不需要解系统方程。然而，这种简单性是以严格的稳定性限制为代价的，即Courant-Friedrichs-Lewy (CFL) 条件。时间步长 必须小于物理波穿过网格中最小单元所需的时间。对于具有高波速的刚性材料（如岩石），这可能导致极其微小的时间步和巨大的计算成本。一个常见但有争议的规避技巧是质量缩放。通过在模拟中人为地增加材料的密度，我们减慢了波速，这反过来又允许使用更大、更经济的时间步长。这是一种 deliberate 的权衡，为了能够得到一个解而牺牲了惯性力的物理精度。
隐式格式提供了不同的交易。为了找到时间 时的状态，我们必须求解一个包含 时刻未知状态本身的方程组。这意味着在每一个时间步，我们都必须执行一次完整的非线性求解（通常使用我们已经讨论过的牛顿-拉夫逊之舞）。每一步都比显式步骤昂贵得多。这种努力的回报是，隐式方法可以被设计成无条件稳定的，这意味着时间步長没有类似 CFL 的稳定性限制。这使得它们非常适合缓慢、持续时间长的事件。
然而，一个微妙的陷阱在等待着。最常见的无条件稳定积分器，即平均加速度法，是完全能量守恒的。它的数值耗散为零。虽然这听起来是一个理想的特性，但它意味着任何由尖锐载荷或离散化过程本身激发的非物理高频振荡——“振铃”——都将永远持续下去，污染解。优雅的解决方案是使用更现代的积分器，如广义- 方法，它们被设计成具有少量“智能”数值阻尼。它们被 engineered 成只在最高的、非物理的频率上耗散能量，从而有效地滤除振铃，同时保留具有物理意义的低频响应不受影响 [@problem id:3532533]。
让我们看最后一个细节。在非线性静态解或隐式动态步骤的核心，是求解形如 的大型线性方程组的需求。对于大型三维模型，这个系统可能涉及数百万个未知数。直接求解它可能是不可能的。因此，我们转向迭代求解器。
最著名的迭代求解器是共轭梯度 (CG) 法。对于矩阵 是对称正定（我们“良好”的弹簧网络矩阵）的系统，CG 方法非常快速高效。然而，正如我们所见，地质力学的世界并非总是如此美好。某些土壤和岩石的物理特性，特别是在非关联塑性条件下，会导致切线刚度矩阵 不对称。
当面对非对称矩阵时，共轭梯度法会失效。其数学基础会崩塌。这是一个美丽的统一时刻：一个关于如何模拟微观层面沙粒摩擦和剪胀的 decision，决定了我们为整个问题选择的数学算法。为了求解这些非对称系统，我们必须转向更通用、更稳健（通常也更昂貴）的求解器，如广义最小残差法 (GMRES)。GMRES 不依赖于对称性，而是通过在一个不断增长的“Krylov 子空间”中找到解来工作，该解在每一步都最小化残差的范数。
最后，经过所有这些工作——离散化、组装、迭代、求解——我们如何知道何时完成了？我们必须检查我们的收敛准则是否满足。我们检查残差是否“足够小”。但什么是小？对于一座大坝来说， 牛顿的力残差是微不足道的，但对于一个实验室的土壤样本来说却是巨大的。一个正确的收敛检查必须使用缩放后的无量纲范数。我们将力残差与问题中的一个特征力进行比较，将压力残差与一个特征压力进行比较，依此类推。只有当所有这些缩放后的残差组合成一个单一的度量，并降到我们的容差以下时，我们才能宣告胜利。这个最终的检查确保了我们庞大的计算引擎——由这些环环相扣的原理和机制构建而成——已经将我们带到了一个具有物理意义和数值可靠的答案。
现在我们已经探讨了计算地质力学的基本原理，让我们踏上一段旅程，看看这些思想是如何变为现实的。与任何科学分支一样，真正的美不仅源于其方程的抽象优雅，更在于它们赋予我们理解、预测和改造周围世界的力量。我们将看到计算模型是如何从头开始构建的，它们如何应对自然材料 messy 的现实，如何通过现代计算技术得到超级增强，最后，它们如何与数据交织在一起，創造未来的预测工具。
想象一下，我们的任务是模拟一座摩天大楼的建造或一条隧道的开挖。在我们能预测地面将如何响应这些新荷载之前，我们必须首先回答一个看似更简单的问题：地面现在的状态是什么，仅仅是在其自身重量下？这并不像听起来那么微不足道。某个深度的垂直应力是直接的——它就是其上方所有物质的重量。但水平应力呢？地面在侧向受到的挤压是否与其垂直方向受到的压缩一样大？
在这里，我们遇到了一个 güzel 的思想碰撞。一种源于弹性理论的方法认为，水平应力是垂直应力的一个简单分数，由单一材料属性——泊松比 决定。公式简洁明了：水平应力与垂直应力之比 就是 。但土壤和岩石并非完美弹性。它们是摩擦性材料。另一种源于土壤力学实践科学的观点，提出了一个基于土壤内摩擦角 的不同公式，即 。对于一种典型的土壤，这两个公式可能会给出明显不同的答案。哪个是正确的？两者都不完美；都是理想化的结果。我们做出的选择会产生真实后果，因为它为我们整个模拟设定了初始舞台。一个不正确的起点可能导致在我们的虚拟建设开始之前就出现幻象变形和不稳定性。这突显了计算建模的一个关键方面：它既是一门艺术，也是一门科学，需要判断力来弥合理想化理论与物理现实之间的鸿沟。
一旦我们的虚拟世界初始化完毕，我们就让它动起来。但是当情况变得棘手时——当地基被加载到极限，或边坡开始破坏时——会发生什么？一个头脑简单的求解器，一步步增加荷载，会在达到峰值承载力时 einfach 崩溃。这就像把一辆车推到山顶；一旦它到达 đỉnh，你就不能再“多”推一点，看看它是如何从另一边滚下去的。为了追踪 failure 的完整故事——逐渐的软化和强度损失——我们需要一个更 sophisticated 的向导。这就是弧长法发挥作用的地方。我们不是规定下一个荷载增量，而是规定在荷载-位移组合空间中沿着解路径行进的“距离”。这个聪明的技巧让我们的求解器能够 navigate 那些荷载必须减少才能让变形继续的棘手转折点，从而让我们能够描绘出破坏结构完整的峰后行为。
驱动这些模拟的计算引擎也涉及基本的设计选择。为了解决一个涉及数百万个相互作用部件的高度非线性问题，我们是尝试同时求解所有变量，还是将问题分解？整体方法将所有部分组装成一个巨大的、相互关联的 puzzle，并投入我们求解器的全部力量来解决它。这种方法很稳健，但在内存和计算方面可能极其昂贵。另一种方法是算子分裂法，它采用“弹性预测，塑性修正”的方案。在每一步，对于我们模型的每一个小部分，我们首先猜测它的行为是弹性的。然后，我们检查这个猜测是否违反了材料的强度极限。如果违反了，我们就应用一个局部修正，使其回到线上。这种“分而治之”的策略将一个巨大的 puzzle 變成数百万个微小的、独立的 puzzle，这些 puzzle 可以并行求解，从而使其对于大规模问题效率大大提高。
最后，我们必须确保我们的物理定律是普适的。力学的一个基本原则是标架无关性或客观性：材料的本构定律不应依赖于观察者的运动。如果一种材料同时被拉伸和旋转，我们的方程必须能够区分产生应力的拉伸和不产生应力的旋转。应力的简单时间导数 被旋转“污染”了。为了严谨，我们必须使用一种客观应力率，如 Jaumann 率，它在数学上减去了旋转效应。然而，对于许多增量旋转极小的地质力学问题，我们可以侥幸使用更简单、非客观的应力率。知道何时这种近似是有效的，是编写高效代码的关键。有趣的是，如果应力状态是纯静水压（各方向压力相等，就像气球里的空气），旋转项会完美抵消，简单的时间导数就变得完全客观了。这是连续介质力学提供的那些美麗、不 obvious 的洞见之一。
要建立一个逼真的虚拟世界，我们必须教会计算机说材料的语言。这种语言是数学和物理的混合体，其 fluency 决定了模型的保真度。
有时，最深刻的挑战在于翻译本身。我们如何将应力这个具有九个分量的复杂对象表示为我们计算机代码的简单向量？几十年来，工程师们一直使用一种称为Voigt 标记法的方便简写。它简单，并且在许多情况下有效。然而，它有一个微妙的缺陷：它扭曲了应力空间的底层几何结构。这就像画一张严重扭曲大陆大小的世界地图。对于简单的各向同性材料，这可能无关紧要。但对于像层状沉积岩或木材這樣的各向異性材料，它們在不同方向上有不同的特性，這種扭曲可能導致錯誤。材料的計算剛度可能會僅僅因為其相對於計算網格的方向而改變，這在物理上是不正確的。一种在数学上更严谨的方法，Kelvin 标记法，为剪切分量引入了一个看似奇怪的因子 。这个小小的改变创造了奇迹：它创造了一个等距（isometry）的表示，这意味着它完美地保留了原始张量的所有几何属性——距离、角度，以及至关重要的特征值。这确保了材料的物理属性无论我們如何在模型中旋转它都保持不变，从而带来更稳健可靠的模拟。
随着我们数学语言的 refined，我们可以处理更复杂的物理现象。有效应力概念，即土壤变形由固体骨架承受的那部分应力控制，是地质力学的基石。但经典理论是为土壤颗粒和水的简单两相系统发展的。在永久冻土——一种土壤、液态水和冰的复杂三相混合物——中会发生什么？我们必须推广我们的基本原则。现代方法定义了一种有效应力，它考虑了液态水和冰中的压力，但并非幼稚地考虑。每个相的压力都由一个权重因子调制， 代表水， 代表冰，这个因子表示该相与固体骨架机械接触的程度。一个将压力直接传递给颗粒结构的水filled裂缝，其 会接近 1。相比之下，一个由毛细作用力保持在孔隙中的孤立水滴，几乎不会对应力骨架产生作用，其 会接近 0。类似地，将颗粒胶结在一起的冰会完全参与（），而在大孔隙中自由漂浮的冰晶则不会（）。这个 sophisticated 的框架使我们能够模拟冻土和融土的复杂力学行为，这是北极地区基础设施设计和气候变化研究的一项关键任务。
多相系统的挑战延伸到数值引擎的深处。考虑海床下甲烷水合物——一种捕获甲烷气体的冰状结构——的分解。随着压力和温度的变化，固态水合物可以转变为水和游离气体。相的出现或消失是一个计算上的难题。当没有气体时，控制气体质量的方程变得 degenerate；它基本上变成了 这个微不足道的陳述。对于一个标准的线性求解器来说，雅可比矩阵中的一排零是死刑判决，因为它会导致对角线上出现零，使系统奇异。解决方案在于使用 Karush-Kuhn-Tucker (KKT) 框架重塑问题，该框架将相的出现视为一个互补约束。这会将雅可比矩阵转变为一个对称但不定的矩阵，一个“鞍点”问题。这类矩阵无法用 Cholesky 分解等标准方法求解。它们需要专门的对称不定求解器，使用巧妙的 pivoting 策略，如将退化的饱和度变量与其对应的拉格朗日乘子分组到一个穩健的 pivot 中，以 navigate 由底层物理造成的数值雷区。
如果最 sophisticated 的物理模型需要一个世纪才能运行，那它就没什么用。“计算”在地质力学中的“计算”是一个充满巨大創新的领域，其驱动力是在世界上最强大的计算机上解决越来越大、越来越复杂的问题的追求。
一个關鍵的革命是图形处理器（GPU）的兴起。它们最初为视频游戏设计，其架构非常适合许多科学计算。主导的范式是单指令多线程（SIMT）。想象一个 drill sergeant 对整支军队的士兵大喊一个命令。每个士兵（一个线程）执行完全相同的动作，但作用于自己的数据片段。在有限元模型中，“军队”是所有单元或积分点的集合，“命令”是计算单元刚度矩阵的 kernel。这是一种数据并行的形式。SIMT 模型的 genius 在于其灵活性。如果军队中的一些士兵遇到岩石，而另一些士兵发现沙子，需要不同的行动怎么办？这被称为分支发散。例如，在一个塑性模拟中，材料中的一些点可能表现为弹性，而另一些则在塑性屈服。一支严格的军队將不得不停下來；SIMT 模型则优雅地处理了这一点，让“岩石”组执行他们的指令，而“沙子”组等待，然后再交换。这允許极大的并行性，同时保留了模拟复杂、非均质行为的灵活性，尽管这会帶來设计者力求最小化的性能成本。
在大型超级计算机上，我们常常面临一个不同的架构挑战：非一致性内存访问（NUMA）。一个现代计算节点可能有多个处理器插槽，每个插槽都有自己的“本地”内存库。一个处理器访问自己的本地内存比访问另一个插槽的“远程”内存快得多。这在我们跨整个节点并行化单个模拟时，创造了一个有趣的优化 puzzle。我们是使用纯线程模型（像一个大团队分散在所有插槽上， постоянно需要相互交谈并访问远程内存）？还是纯MPI模型（像几个独立的团队，每个插槽一个，在本地工作，只通过发送显式消息进行通信）？还是两者的混合？
事实证明，答案取决于算法的计算强度——即它执行的浮点运算与它从内存移动的数据字节之比。Roofline 模型为分析这种权衡提供了一个美丽的框架。计算强度低的算法是“内存受限”的；它们的速度受限于它们获取数据的速度。对于这些算法，最大化本地内存访问的混合策略通常是最好的。计算强度高的算法是“计算受限”的；它们的速度受限于处理器的数字 crunching 能力。对于这些算法，最小化通信开销的纯 MPI 模型可能会胜出。通过仔细分析硬件特性和算法的性质，我们可以推导出精确的 quantitative criterion 来选择最佳的并行化策略，从而将性能调优从一门玄学变成一门预测科学。
最终，我们虚拟世界的目标是为我们理解真实世界提供信息。这需要模拟与现实之间持续的、批判性的对话。
第一步是确保我们的模型内部是一致的。任何涉及流动——无论是水、热量还是其他任何东西——的模拟的一个基本检查是验证质量和能量的守恒。我们必须确保流入一个域的物质数量，减去流出的数量，加上内部源产生的任何数量，完全等于域内存储数量的变化。任何差异都是质量平衡误差，这是数值格式有缺陷或时间步长或网格分辨率不足的明确迹象。计算这个误差就像为我们的模拟平衡一本支票簿；它是一个基本的诊断工具，可以建立对我们结果数值完整性的信心。
下一个更深层次的挑战是将我们的模型与实验数据联系起来。这是反问题的领域：使用观测到的输出（如大坝上的位移测量值）来推断我们模型的未知输入参数（如 underlying 岩石的刚度）。这个过程充满了不确定性。我们的测量是不完美的，受到测量误差的 corrupt。而且正如我们所见，我们的计算机模型也是对现实的一种近似，包含其自身的离散化误差。一种幼稚的方法可能会忽略离散化误差，实际上是要求参数估计“吸收”模型的缺陷。这可能导致有偏见的参数估计，这些估计在物理上是毫无意义的。一个 far more powerful 的方法是建立一个混合误差统计模型。这个框架将测量误差和离산化误差都视为具有不同统计结构的随机变量。通过明確地考虑这两种不确定性的来源，我们可以获得更稳健的参数估计，并且至关重要的是，对这些估计的不确定性进行可信的量化。这将我们从寻求单一的“正确”答案，转向提供概率性预测，这对于现实世界的决策制定 infinitely更有价值。
这把我们带到了一个 final, tantalizing 的前沿。如果我们的高保真模拟速度太慢，无法用于需要数千或数百万次运行的应用，例如全面的不确定性量化或设计优化，该怎么办？未来在于构建快速、准确的代理模型。本征正交分解（POD）是一种强大的技术。其思想是运行昂贵的高保真模型几次，生成一组“快照”，捕捉系统的基本行为。然后 POD 像一个数据压缩算法一样工作，分析这些快照以提取少量主导的“模式”或 patterns，这些模式解释了系统大部分的方差。通过将控制方程投影到由这些模式张成的低维子空间上，我们可以创建一个降阶模型，它比原始模型快几个数量级，但保留了其核心物理精度。这种美丽的协同作用——我们使用从基于物理的模型生成的数据来训练一个更快的 data-driven 模型——连接了计算力学和机器学习的世界。这是对未来的惊鸿一瞥，在那个未来里，虚拟世界不仅仅用于分析，而是足够 nimble 以用于实时控制、优化和发现。