基于Tanh-B6 KAN方法的PINN算法在解决薄板弯曲问题中的应用

《Engineering Analysis with Boundary Elements》:Tanh-B6 KAN-based PINN for solving thin plate bending problems

【字体: 大 中 小 】 时间:2026年02月02日 来源:Engineering Analysis with Boundary Elements 4.1

编辑推荐:

  薄板弯曲问题中,传统PINNs采用MLP架构面临高阶导数计算时的谱偏斜与梯度不稳定问题。本文提出Tanh-B6 KAN-based PINN方法,通过可学习的Tanh激活函数与六阶B样条基函数融合,提升高阶PDE求解的数值稳定性与计算效率,实验表明该方法将L2范数误差和MAE降低1-3个数量级,参数量减少2-3个数量级。

  
刘硕|曹永红
中国北方大学航空航天工程学院,学园路3号,太原市,030051,山西省,中国

摘要

求解高阶偏微分方程(如Kirchhoff薄板弯曲的控制方程)对传统的物理信息神经网络(PINNs)来说仍然是一个重大挑战。传统的多层感知器(MLP)架构在计算高阶导数时常常存在谱偏置和梯度不稳定问题。为了解决这些限制,本研究引入了一种新的框架:基于Tanh-B6 KAN的PINN。该方法将具有可学习Tanh激活函数的Kolmogorov-Arnold网络(KAN)和六阶B样条基函数集成到PINN架构中。具体来说,六阶B样条确保了C^4连续性,为高阶导数的计算提供了稳定的解析方法,而Tanh激活函数能够捕捉全局趋势。通过在椭圆、三角形、矩形和L形薄板上进行的全面数值实验验证了这种方法的有效性,这些薄板受到不同的边界和载荷条件的影响。比较结果表明,基于Tanh-B6 KAN的PINN显著优于传统的MLP-PINN,在位移场和边界的相对L2范数误差和平均绝对误差(MAE)方面降低了1到3个数量级,同时参数数量也减少了2到3个数量级。所提出的方法为高阶力学问题提供了一种稳健、可解释且高效的解决方案。

引言

随着现代科学技术的发展,许多薄板结构(如钢板、弹性基础和塑料板)已广泛应用于土木工程、水利工程、公路和铁路领域。基于Kirchhoff薄板理论建立的薄板弯曲控制方程是一个四阶偏微分方程。尽管这个PDE能够准确描述薄板的力学行为,但在实际工程应用中,特别是在遇到复杂几何形状或非典型边界条件时,获得解析解往往很困难[1]。在这种情况下,数值计算方法成为解决问题的有效手段,例如常用的有限元方法[[2], [3], [4], [5]]、无网格方法[[6], [7], [8], [9], [10], [11]]、有限差分方法[12]和边界元方法[14]。在这些传统领域最近取得了显著进展。例如,在有限元方法的背景下,已经开发了基于边缘的应变平滑技术[15]和基于面积坐标的广义适配元素[16]来提高精度并处理网格畸变。同样,在无网格框架内,基于单元的平滑径向点插值方法已成功应用于薄板的下限和上限极限分析[17,18]。
最近,AI在科学中的应用中出现了一个重要方向,即利用深度学习求解偏微分方程(PDE)的算法类。使用深度学习求解偏微分方程的策略包括强形式和弱形式。物理信息神经网络(PINNs)[19]和深度高斯-黎曼方法(DGM)[20]是强形式方法的代表,其中神经网络被训练以直接在配置点满足PDE残差和边界条件。相反,弱形式方法(如深度Ritz方法[21]和深度能量方法[1,22])将PDE重新表述为变分原理,网络学习最小化该原理。在板和壳力学分析中,Li等人[23]建立了一个基于神经网络的计算框架来表征弹性板的有限变形,并比较了基于偏微分方程的方法和基于能量的方法来构建损失函数。Zhuang等人[24]提出了一种基于深度自动编码器的能量方法(DAEM),用于Kirchhoff板的弯曲、振动和屈曲分析,并利用迁移学习进一步提高了效率和泛化能力。基于Naghdi壳理论,Bastek等人[25]提出了一种PINN来预测非欧几里得域中任意曲率壳的小应变响应。此外,一些近期工作专门关注将PINNs应用于薄板弯曲问题。Wang和Thai[26]开发了一种用于层压复合板弯曲的PINN框架。Wang等人[27]引入了针对奇异扰动边界层问题的Chien物理信息神经网络,这可能与薄板分析相关。Peng等人[28]研究了基于双网络策略的弹性基础上的薄板弯曲分析。Zhang和He[29]提出了用于薄板弯曲问题的多尺度匹配神经网络,Kafkas等人[30]探索了使用PINNs求解线性弹性问题,这可以扩展到板弯曲问题。
最近,Liu等人提出了Kolmogorov-Arnold网络(KAN)[31]。KAN的核心在于引入了一个可以学习激活函数的复合函数框架。在原始的KAN中,由于B样条具有出色的拟合能力,因此使用了B样条来构建激活函数[31]。随后,一些研究修改了KAN中使用的B样条,用Chebyshev正交多项式[32,33]、径向基函数[34]和小波变换[35]替代了它们。数值分析中的函数逼近理论表明,不同的权重函数会产生不同的正交多项式,每种都有其独特的优势。理论上,几乎所有传统的逼近函数都可以替代KAN(Kolmogorov-Arnold网络)中的B样条,使得该框架具有高度的灵活性。在KAN概念的基础上,出现了一些物理信息方法。Guo等人[36]引入了利用Chebyshev多项式的物理信息Kolmogorov-Arnold网络(PIKAN)用于流体力学。同样,Wang等人[37]提出了Kolmogorov-Arnold信息神经网络(KINN),作为一种用于求解正向和逆向问题的物理信息深度学习框架。这些工作突显了将KAN与物理信息神经网络结合的日益增长的兴趣。
因此,我们提出使用基于Tanh-B6 KAN的PINN方法来解决四阶Kirchhoff薄板弯曲问题。这项工作主要涉及将具有可学习Tanh激活函数的Kolmogorov-Arnold网络(KAN)和六阶B样条基函数集成到PINN框架中,以解决Kirchhoff薄板弯曲问题。我们的研究系统地比较了基于Tanh-B6 KAN的PINN与传统的MLP-PINN在解决具有挑战性的四阶薄板弯曲问题时的准确性和效率。我们的动机是基于传统多层感知器(MLP)在物理信息神经网络(PINN)框架中的局限性。MLP通常具有高参数冗余性和固有的不可解释性,这可能导致精度下降和模型不透明,特别是对于复杂的物理系统。相比之下,Kolmogorov-Arnold网络(KAN)提供了更好的参数效率。我们引入了一种新的基于KAN的架构,将可学习的Tanh激活函数与六阶B样条基函数集成在一起。这种Tanh-B6 KAN的功能构建旨在更符合高阶偏微分方程(PDE)求解的数值原理。基于此,我们提出假设:在使用PINNs解决薄板弯曲问题时,用基于Tanh-B6 KAN的架构替代传统的MLP将显著提高性能。
本文的结构如下。第2节介绍了基于Kirchhoff板理论的无量纲四阶控制偏微分方程和边界条件。第3节详细描述了我们的方法,包括KAN(Kolmogorov-Arnold网络)理论、基于Tanh-B6 KAN的PINN架构的构建、损失函数和算法过程。第4节通过四种不同几何形状和载荷的板实验验证了该方法,对MLP-PINN、标准B6 KAN基PINN和所提出的基于Tanh-B6 KAN的PINN进行了全面的比较分析。第5节研究了网络架构参数的影响,特别是进行了节点偏置项必要性的消融研究,并分析了神经元数量和隐藏层数量对收敛性能的影响。最后,第6节总结了我们当前的工作。

节选

控制方程

考虑一个各向同性的薄板,其厚度为h,泊松比为v,弹性模量为E,Kirchhoff薄板理论的控制微分方程为:
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号