多保真度建模

是什么

低保真数据（粗网格、简化物理、势流/Euler）单价低可大量生成；高保真数据（细网格、 RANS/LES、全耦合）单价高只能少量生成。多保真度方法用低保真模型捕捉整体趋势， 用高保真样本学习修正量（加性/乘性桥接或多层高斯过程），把两者组合成最终预测。

关键要点

• 预算分配是核心问题：高保真样本数通常只占总量 1%–10%，如何选点比模型结构更影响结果。
• 相关性是前提：若低保真与高保真趋势不一致（例如低保真漏掉了关键物理机制），修正会失效甚至变差。
• 常用实现：Co-Kriging / 多层高斯过程、迁移学习式神经网络、残差式修正网络。
• 与不确定性量化天然结合：低保真区域的不确定性可由高保真样本校准。

常见误区 / 边界

• 低保真模型不能缺失关键物理（如忽略分离、忽略湍流），否则修正项本身就是强非线性，学不动。
• 不要只报告总样本量，必须说明高低保真的比例与各自成本。