基于物理信息的元学习方法在具有几何参数化的弹性问题中的应用
《Finite Elements in Analysis and Design》:Physics-informed meta-learning for elasticity problems with geometric parameterization
【字体:
大
中
小
】
时间:2026年02月02日
来源:Finite Elements in Analysis and Design 3.8
编辑推荐:
Misganaw Abebe|Min-Geun Kim|Bonyong Koo韩国群山54150群山国立大学机械工程系
摘要
本文提出了一种基于深度能量方法的模型无关元学习框架——MAML-DEM,用于几何参数化。该框架通过一个经过元训练的神经网络,能够高效解决具有复杂多变拓扑
Misganaw Abebe|Min-Geun Kim|Bonyong Koo韩国群山54150群山国立大学机械工程系
摘要
本文提出了一种基于深度能量方法的模型无关元学习框架——MAML-DEM,用于几何参数化。该框架通过一个经过元训练的神经网络,能够高效解决具有复杂多变拓扑结构的二维线性弹性问题,尤其是那些包含多个圆形和椭圆形混合孔洞的板材问题。概念性研究进一步表明,该框架具备处理非均匀边界条件以及更复杂的L形孔洞几何结构的潜力。由于采用了最小势能的变分原理,该模型避免了传统物理信息神经网络中与二阶导数相关的不稳定梯度问题。此外,还引入了一种几何感知的自适应采样方法,以便精准捕捉几何不连续点周围的高应力区域。在元训练过程中,模型能够学习到适用于各种任务的广泛物理规律。实验结果表明,这种方法能够快速适应新的、未见过的几何结构,其速度比从零开始训练特定模型快69倍。与传统的物理信息神经网络相比,MAML-DEM框架在准确性和稳定性方面更具优势,同时还展现出强大的泛化能力,能够有效处理拓扑结构、边界条件及几何复杂性方面的变化。这项工作凸显了元学习在将物理信息模拟转化为高效实用的工程设计分析工具方面的巨大潜力。
引言
计算力学在工程设计分析中起着至关重要的作用,传统上依赖有限元分析等数值方法。尽管有限元分析具有高度的准确性和稳健性,但它往往需要复杂的网格划分,这在计算成本上较为高昂,且对于几何结构复杂的场景尤为困难,尤其是在涉及几何参数变化的形状优化问题上。近年来,机器学习的进步为通过物理信息神经网络求解偏微分方程提供了新途径[1,2,26]。在固体力学中,物理信息神经网络面临的一个主要挑战是准确捕捉几何不连续点周围的高应力梯度。先前的研究表明,均匀分布的配置点往往无法有效捕捉这些局部现象,从而导致较大的预测误差[3]。为了解决这一问题,本研究引入了一种几何感知的自适应采样方法,该方法能够有策略地增加这些关键区域的计算点密度,这对模型的成功至关重要。
物理信息神经网络将控制物理规律直接纳入神经网络的损失函数中,从而使网络无需依赖来自仿真或实验的标记数据即可找到偏微分方程的解。这种无需数据的方法在数据有限或获取成本较高的问题中尤为有用。物理信息神经网络已在流体动力学、传热学以及固体力学等多个领域取得初步成功,通常用于处理几何结构简单且参数固定的问题。
然而,传统物理信息神经网络在涉及参数研究、优化或实时应用时存在显著的计算效率问题。具体而言,标准的物理信息神经网络通常需要针对每个新问题实例重新进行训练。例如,如果构件的几何形状发生微小变化,或者材料属性有所差异,就必须重新进行整个训练过程。这限制了其在设计迭代或大规模仿真中的效率。为了解决这一重新训练的瓶颈问题,人们提出了多种先进方法。一种流行的方法是使用神经算子,如傅里叶神经算子[4]和深度算子网络[5],这类算子能够学习无限维函数空间之间的映射关系。通过将这些算子应用于输入参数(如边界条件、材料属性)并将其映射到解函数上,这类模型能够解决一整类偏微分方程。另一种策略则是创建参数化物理信息神经网络,即将几何参数或物理参数与空间坐标一起直接输入到神经网络中[6]。尽管这些方法非常强大,但当应用于几何结构复杂且多变的场景时,它们仍面临诸多挑战。对于傅里叶神经算子及深度算子网络而言,将数量不定、形状和位置各异的孔洞表示为单一且一致的输入函数十分困难。同样,参数化物理信息神经网络在输入参数向量的大小固定时效果最佳,它们无法自然地应对拓扑结构的变化,比如孔洞数量的增加,而这就需要改变网络输入层的结构。
元学习,即“学习如何学习”,则为这一问题提供了更为灵活的解决方案[7]。元学习算法并非直接将参数映射到解上,而是训练出一个能够凭借最少的数据或训练步骤快速适应新任务的模型。在各类元学习方法中,模型无关元学习因其能够为模型参数学习出良好的初始值,从而仅需少量梯度步数即可快速适应新任务,而备受关注[21,22,24,25]。虽然已有利用物理信息神经网络进行元学习或迁移学习的研究被应用于偏微分方程参数化及不同加载情况的研究中,但据我们所知,针对几何参数变化或边界拓扑变化的研究尚不多见。另一种创新的元学习方法是生成预训练物理信息神经网络,该方法构建了一个“网络之网”。在这种方法中,外部元网络在其单个隐藏层中使用预训练的物理信息神经网络(每个网络对应一组特定的参数)作为激活函数,通过寻找这些预训练的“基础”解的最佳组合来学习生成新的解。虽然MAML侧重于为单个网络学习出可适应的权重初始值,但生成预训练物理信息神经网络则旨在学习多个专业网络的最优线性组合。我们选择聚焦MAML方法,是因为它能够简洁地将单个模型的权重适配到新的物理规律和拓扑结构中。这些方法之间的主要差异详见表1。
本研究采用了一种结合了模型无关元学习与深度能量方法的物理信息神经网络,用于求解二维线性弹性问题[11,12,27]。深度能量方法是一种变分技术,通过最小化系统的总势能来寻找解,该势能包括内部应变能、外力所做的功以及针对固定(狄利克雷)边界条件的惩罚项。在实际应用中,神经网络充当试函数,用于近似位移场。随后,我们利用自动微分技术根据网络输出梯度计算应变,再通过材料的本构定律确定应力和应变能密度。通过对网络参数进行优化,使其最小化总势能函数,从而引导解向物理平衡状态发展。与那些最小化强形式方程残差的传统物理信息神经网络相比,这种基于积分的方法在处理固体力学问题时具有更高的稳定性和稳健性。此外,为准确描述具有几何不连续性的问题中的高应力梯度,我们采用了几何感知的自适应采样策略,将计算点集中在孔洞和边界附近,从而提升了模型的准确性和效率。
尽管取得了诸多进展,但在将物理信息神经网络和元学习应用于实际工程挑战时,仍存在一些关键缺陷:其一,对于复杂多样的内部几何结构,现有方法缺乏有效的处理能力:大多数固体力学领域的物理信息神经网络研究都集中在简单形状或单个孔洞问题上[3]。实际上,现实设计中常见的是多个形状各异的内部空洞,因此需要能够可靠处理这类结构的框架。其二,关于在固体力学中的变分物理信息神经网络应用元学习的研究还不够充分:虽然模型无关元学习已被应用于物理信息神经网络[13],但将其与深度能量方法结合用于处理几何结构多变时的弹性问题,目前尚未得到深入研究。深度能量方法的积分形式为处理复杂的机械系统带来了稳定性优势[11,14]。事实上,正是由于这种变分方法的稳定性,它成为了处理弹性塑性、超弹性等复杂非线性问题的首选方法,其有效性已得到了充分验证[[30], [31], [32]]。尽管深度能量方法在模拟先进材料行为方面表现优异,但将其与元学习结合以处理几何和拓扑参数化问题,仍是一个重要的研究空白,而本研究旨在填补这一空白。
为解决现有文献中的这些不足,本研究做出了以下贡献:第一,开发了用于复杂几何结构几何参数化的MAML-DEM框架。我们将模型无关元学习快速适应的能力与深度能量方法处理弹性问题的稳健性相结合,该框架专门用于处理具有位置、尺寸和方向各不相同的多个圆形和椭圆形混合孔洞的板材问题,为现实工程问题提供了更加通用且实用的解决方案。第二,提出了一种几何感知的自适应采样策略。该策略能够智能地将配置点分配到应力集中程度较高的区域,如孔洞和边界附近,相较于均匀采样方法,这大大提升了模型的准确性和效率。第三,提高了模型的泛化能力和效率。元训练阶段使得模型能够学习到适用于各种复杂几何结构和材料属性的通用物理规律,因此能够以远少于传统物理信息神经网络的训练步数,快速准确地适应新的、未见过的问题实例(例如,孔洞排列不同的板材)。此外,我们还证明了该框架具有扩展性,能够处理非均匀边界条件以及L形孔洞等复杂的内部几何结构,展现了其更广泛的适用范围。
本文的其余部分结构如下:第2节阐述物理信息神经网络、模型无关元学习以及线性弹性的理论背景。第3节详细介绍MAML-DEM框架的方法论,包括神经网络架构、域离散化、损失函数构建以及MAML算法。第4节展示元训练结果以及模型对新任务的适应情况。最后,第5节对全文进行总结,并探讨未来的研究方向。
关键内容摘录
强形式偏微分方程表述
二维弹性体的静态平衡状态可由一组偏微分方程来描述。在忽略体力(例如重力可忽略不计)的情况下,平衡方程表现为应力张量散度为零[14]:
?σxx/?x + ?σxy/?y = 0 in Ω,
?σxy/?x + ?σyy/?y = 0 in Ω,
其中σij为应力张量的分量。对于线性各向同性材料,在平面应力状态下,应力张量与应变张量?之间存在胡克定律关系[14]:
{σxx, σyy, σxy} = E{1?v2}/[1+v?v?]{0, 0, 1?v2}
方法论:MAML-DEM框架
所提出的MAML-DEM框架利用神经网络来近似弹性板的位移场(u=[ux, uy]T),如图1所示,即为所提出的MAML-DEM-PINN模型。训练过程包括最小化总势能,同时加入针对狄利克雷边界条件的惩罚项。之后再应用MAML算法,以便让模型能够快速适应不同的未知几何结构和材料属性。
数值结果与讨论
MAML-DEM-PINN框架是用Python开发的,其中借助PyTorch实现自动微分并利用GPU加速计算。NumPy用于动态生成几何结构,Matplotlib则用于结果可视化。如图2所示,所研究的物理问题为一个处于平面应力状态下的2米×1米矩形板。该板的右边界受到1兆帕(1×10^6牛顿/平方米)的拉伸载荷,左边界完全固定,其他所有外部和内部边界均无外力作用。
结论
本文成功展示了MAML-DEM框架的开发和应用,该框架可用于解决具有复杂多变几何结构的板材的二维线性弹性问题。通过将模型无关元学习快速适应的能力与深度能量方法的稳定性和稳健性相结合,我们的方法有效克服了传统物理信息神经网络的局限性,后者往往需要为每个新问题实例进行耗时的重新训练。
本研究的主要发现为
作者贡献说明
Misganaw Abebe:撰写——初稿撰写、结果可视化、验证、软件使用、问题研究、正式分析、数据整理。Min-Geun Kim:撰写——审阅与编辑、验证、问题研究。Bonyong Koo:撰写——审阅与编辑、验证、监督、资源提供、方法论设计、资金获取、概念构思。
资金支持
本研究得到了韩国政府国家研究基金会(NRF)的资助,项目编号为NRF-2021R1I1A3042226(教育部)和RS-2025-00518627(产业通商资源部),同时还获得了韩国产业通商资源部资助的技术创新计划(项目编号RS-2024-00421895)的支持。
利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。
生物通微信公众号
生物通新浪微博
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