用于固体力学中不连续性的局部增强型神经网络
《INTERNATIONAL JOURNAL OF MECHANICAL SCIENCES》:Locally enhanced neural networks for discontinuities in solid mechanics
【字体:
大
中
小
】
时间:2026年04月28日
来源:INTERNATIONAL JOURNAL OF MECHANICAL SCIENCES 9.4
编辑推荐:
赖志宏|赵鲁阳|邵倩
武汉大学土木工程学院工程力学系,430072,武汉,中国
摘要
物理信息神经网络(PINNs)为固体力学提供了一个有前景的无网格计算框架,但由于能量不平衡和谱偏差,它们在处理涉及局部不连续性问题的应用仍然具有挑战性。为了解决这些限制,我们提出了局部增强神经
赖志宏|赵鲁阳|邵倩
武汉大学土木工程学院工程力学系,430072,武汉,中国
摘要
物理信息神经网络(PINNs)为固体力学提供了一个有前景的无网格计算框架,但由于能量不平衡和谱偏差,它们在处理涉及局部不连续性问题的应用仍然具有挑战性。为了解决这些限制,我们提出了局部增强神经网络(LENNs)框架,这是一种为多级机械建模设计的功能解耦架构。LENNs采用双网络结构,将全局平滑体响应的学习与局部不连续特征的学习分开,有效解决了传统PINNs中固有的表示冲突。一个平滑的空间窗口函数无缝地将全局网络和局部网络连接起来,确保了解的物理一致性叠加,同时限制了局部网络的影响。此外,将几何信息嵌入函数集成到局部网络中,以明确编码强不连续性和弱不连续性,从而能够准确捕捉高度局部化的机械场。将复合解代入总势能函数中进行统一优化。由于平滑窗口函数保证了区域边界之间的连续过渡,这种统一公式自然消除了对特殊接口损失项的需求。同时,窗口施加的空间限制在训练过程中放大了来自关键局部区域的梯度贡献。数值实验表明,LENNs在解决裂纹和材料界面附近的位移场和应力场方面具有更高的准确性,在模拟小尺度运动学(如断裂传播)和异质材料行为方面表现出色。最终,该框架为计算固体力学中高度局部化不连续现象的高保真模拟提供了一种有效方法。
引言
由不连续性引起的局部特征,如裂纹尖端的奇异应力、裂纹表面的位移跳变以及材料界面上的应力跳变,对固体力学至关重要。虽然这些局部特征对整体结构响应的影响可能有限,但它们强烈影响其附近的机械行为,并决定了应力集中和失效发生的主要位置。准确解决这些特征需要高分辨率的建模技术。传统的基于网格的方法[1]需要对高度非线性区域进行精确的局部网格细化,并频繁重新网格化以跟踪不断演变的不连续性[2],即使对于静态问题[3]、[4]也会导致高计算成本和不准确性。
深度学习的最新进展[5]、[6],特别是物理信息神经网络(PINNs)[7]的发展,提供了一个有前景的替代方案。PINNs为求解偏微分方程(PDEs)提供了一个统一的无网格框架,消除了对空间离散化和问题特定数值公式的需求。神经网络的通用逼近能力[8]保证了复杂解的能力,而迁移学习技术促进了高效的参数研究,避免了昂贵的完全重新训练[9]、[10]、[11]、[12]。PINNs已在多个领域取得了成功,包括流体动力学[13]、[14]、[15]、热传递[16]、[17],以及越来越多的固体力学问题,如线性弹性[18]、[19]、[20]、[21]、[22]、[23]、弹塑性[27]、[28]、[29]、超弹性[30]、[31]和断裂力学[10]、[32]、[33]、[34]、[35]。除了这些正向问题外,PINNs在逆向任务中也显示出潜力,它们也被用于结构健康监测[36]和材料设计[37]、[38]等逆向问题。
尽管取得了这些进展,在将PINNs应用于涉及外部不连续性(如裂纹和材料界面)的固体力学问题时仍存在挑战。与PDEs中由参数引起的内部不连续性(例如Burgers方程中的冲击波[39])不同,裂纹和界面通过几何分割或材料异质性引入不连续性,表现为裂纹上的位移跳变(强不连续性)或界面上的导数跳变(弱不连续性)。这种行为与连续空间输入产生的物理场的固有连续性假设相矛盾,导致普通的PINNs难以准确捕捉这些特征[40]。目前解决这一问题的策略大致可以分为两类。第一类采用域分解,将域沿不连续性划分为不重叠的子域,并通过不同的神经网络生成不同的值自然产生不连续性。Jagtap等人[41]、[42]首次开发了扩展的PINNs和保守的PINNs,将域分解引入PINNs框架。Wang等人[43]随后提出了一种基于神经网络的保守能量方法(CENN),用于模拟裂纹和异质性。Gu等人[44]引入了分析渐近函数来准确解决奇异性,而Zhu等人[45]采用了带有奇异因子的极端学习机来处理线性弹性断裂。Moseley等人[46]通过重叠域分解进一步改进了训练,并后来采用了多级分解策略来捕捉多尺度特征[47]。第二类在单个域内增强网络的表示能力。例如,Tseng等人[48]引入了一个额外的输入来捕捉尖峰状的不连续行为。Sarma等人[49]在子域之间使用不同的激活函数来更好地捕捉椭圆界面问题中的弱不连续性。Fan等人[50]提出了用于体域中椭圆界面问题的去不连续性PINNs,并后来将其扩展到曲面上的解[51]。Li等人[52]在有限域中对固体力学问题进行了建模,并通过在裂纹表面严格施加边界条件来捕捉位移不连续性。最近,相关努力在基于能量的变分框架内更明确地引入了局部不连续性。例如,Baek等人[53]提出了一种混合无网格神经网络方法,将再生核近似与神经网络相结合,以捕捉弹塑性中的演变应变局部化路径。Zhao等人[54]提出了嵌入不连续性的神经网络(DENNs),将基于符号距离函数(SDFs)的特征纳入网络输入,以明确模拟强不连续性和弱不连续性。此外,León等人[55]在变分能量最小化框架内制定了应变局部化,其中参数化的带型Heaviside函数被明确纳入近似空间,其几何特性通过优化确定。
然而,当不连续性高度局部化时,例如具有极小特征长度尺度的裂纹或夹杂物问题时,出现了一个关键且未解决的挑战。在这种情况下,上述方法通常表现出不令人满意的准确性。例如,Zhao等人[54]报告称,当裂纹长度与域大小的比率降低到大约1/10时,捕捉裂纹尖端应力场的准确性显著下降。
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