降阶有限差分-基于物理信息的神经网络框架,用于随机工程系统中的不确定性量化
《Applied Mathematical Modelling》:Reduced-order finite difference–physics-informed neural network framework for uncertainty quantification in stochastic engineering systems
【字体:
大
中
小
】
时间:2026年05月05日
来源:Applied Mathematical Modelling 5.1
编辑推荐:
李焕荣|赵婷|陈飞
云南师范大学数学学院,昆明,650500,中国
摘要
本文提出了一种降阶有限差分-物理信息神经网络(ROFD-PINN)框架,用于由非线性随机偏微分方程(PDEs)控制的随机工程系统中的不确定性量化。该方法结合了适当的正交分解以实现降维,深度前馈神经网络来学
李焕荣|赵婷|陈飞
云南师范大学数学学院,昆明,650500,中国
摘要
本文提出了一种降阶有限差分-物理信息神经网络(ROFD-PINN)框架,用于由非线性随机偏微分方程(PDEs)控制的随机工程系统中的不确定性量化。该方法结合了适当的正交分解以实现降维,深度前馈神经网络来学习降阶动力学,以及一个残差驱动的自适应融合机制,该机制在每个时间步骤动态平衡数据驱动的预测和物理约束。与纯数据驱动或传统的降阶方法不同,该框架将物理一致性直接嵌入到时间步进积分中,而不仅仅是损失正则化中,从而在强随机强迫下提高了稳定性。该框架在三个典型的随机PDEs上进行了系统的验证,这些PDEs广泛应用于相变、合金凝固、神经信号传播和种群/污染物扩散等领域。在一维和二维情况下进行了广泛的数值测试,这些情况具有非平凡的几何形状(L形、环形、圆形域)和强噪声强度δ=1.0。结果表明,ROFD-PINN实现了高精度,相对L2误差低至O(10?3),同时保持了包括最大原理和能量耗散在内的关键物理性质。与基线方法相比,ROFD-PINN的计算运行时间减少了89%-93.8%,使得近实时模拟成为可能。该方法还保留了原始系统的统计特性,包括集合均值、方差和概率分布。ROFD-PINN为材料设计、生物医学分析和环境建模中的不确定性量化及实时模拟提供了一种高效且物理一致的工具。
引言
工程和环境系统本质上受到热波动、材料异性[1]、[2]、信号噪声和环境变异性[3]、[4]等不确定性的影响。随机偏微分方程(SPDEs)为建模这些系统提供了严格的数学框架[5]、[6],应用范围包括先进材料中的相变、生物医学设备中的神经信号传播以及在环境随机性下的流行病动态[7]、[8]。然而,解决空间细节和随机实现的计算成本仍然对于实时模拟、控制和不确定性量化来说是 prohibitive 的,而这些是现代工程设计和运营决策的关键要求[10]、[11]。
传统的高保真方法,如有限差分(FD)[12]或有限元(FE)[13]方案,需要极其精细的空间离散化和大量的随机实现来解析细小尺度的结构和随机性。这导致计算成本随着空间维度和样本大小的增加而呈指数级增长[14],通常甚至超过了高性能计算集群的容量[15]、[16]。例如,在单个CPU核心上模拟一个100×100的空间网格上的2D随机Allen-Cahn方程200个时间步可能需要超过两个小时[17],使得实时应用变得不可行。
为了缓解这个维数灾难,降阶建模(ROM)作为一个强大的范式应运而生[18]、[19]。例如适当正交分解(POD)等方法将高维系统投影到由能量主导模式跨越的低维子空间上,通常可以将状态维度从O(10^4)降低到O(10),同时保留超过99%的系统能量[20]、[21]。结合Galerkin投影,基于POD的ROMs可以显著加速模拟[22]、[23]。然而,它们往往难以处理强非线性和随机强迫[24]、[25],并且其性能严重依赖于降阶算子的准确性,这些算子在强噪声或长时间积分下可能会变得不稳定[26]。
与此同时,机器学习(ML)和物理信息神经网络(PINNs)引入了以数据驱动方式解决PDEs和SPDEs的新机会[14]、[17]。PINNs将物理残差嵌入到损失函数中,无需显式离散化即可保证符合控制律。尽管它们具有灵活性,但在高维设置中纯PINNs的计算成本较高,在强噪声下优化条件较差,且缺乏内在的降维能力[27]、[28]。最近的混合方法,如具有学习算子的非侵入式ROMs[29]、[30]或预训练的物理信息ROMs[31],试图结合数据效率和物理一致性。然而,它们通常依赖于固定的权重方案、静态基函数或简化的随机表示,限制了在强扰动条件下的适应性和鲁棒性[32]、[33]。
值得注意的是,最近的研究探索了针对非线性PDEs的数据驱动和自适应深度学习策略,包括自适应网络设计和先验信息约束模型[34]、[35],这进一步激发了将学习机制与物理结构结合以改善稳定性和泛化能力的想法。然而,很少有现有工作同时解决强噪声下随机系统的降维、自适应物理-数据融合和统计一致性问题。
为了克服这些限制,我们提出了一种名为降阶有限差分-物理信息神经网络(ROFD-PINN)的新集成框架,它结合了降维、用于降阶动力学学习的深度神经网络和自适应物理-动力学融合机制。这项工作的主要贡献包括:
(1) 一种自适应的残差驱动权重方案,实时平衡数据驱动的预测和Galerkin投影的物理约束,确保在强噪声下的稳定性。
(2) 一个完全集成的工作流程,将SPDE残差直接嵌入到时间步进预测中,而不仅仅是在损失正则化中,保证了逐步的物理一致性。
(3) 在具有工程相关性的典型SPDEs上的全面验证,显示在强随机强迫δ=1.0下具有高精度、效率和统计一致性。
(4) 一种在材料设计、生物医学工程和环境建模中用于不确定性量化的实用高效工具。
我们在三个典型的SPDEs上验证了POD-PINN框架:用于相变的随机Allen-Cahn方程[36]、用于神经信号传播的随机FitzHugh-Nagumo方程[37]以及用于种群扩散-增长的随机Fisher方程[38]。对于每个系统,我们首先考虑了噪声强度为δ=0.1、0.5、1.0的一维情况,并将其性能与高保真FD、基于POD的ROFD方案[2]、基于POD的长短期记忆(POD-LSTM)、前馈神经网络(FNN)和FD-PINN方法[32]、[33]进行了比较。结果表明,ROFD-PINN实现了高精度,平均相对L2误差低至O(10?3),与FD-PINN相比运行时间减少了96.6%,与FNN相比减少了93.8%,并且在强噪声下保持稳定,而基线方法则会失败。该方法还在涉及非平凡几何域、不规则边界形状和在强噪声(δ=1.0)下的多晶晶粒生长过程的二维数值挑战性场景中得到了进一步验证。
本文的其余部分组织如下。第2节介绍了高保真FD离散化、基于POD的降维和神经网络设置。第3节详细介绍了ROFD-PINN框架,包括自适应融合策略和动态加权机制,并提供了严格的理论分析。第4节提出了具有工程相关性的测试案例的数值实验和比较分析,涵盖规则和非规则几何区域、多晶晶粒生长动态以及包括均值、方差和概率分布在内的全面统计验证。第5节总结了贡献和未来在工业和环境应用方面的方向。
构建高保真FD解数据库
为了为提出的ROFD-PINN框架建立一个可靠的数据基础,我们首先生成了用于建模工程和科学中复杂不确定现象的典型SPDEs的高保真解[8]、[11]。在这项工作中,我们考虑了以下由空间均匀时间白噪声驱动的SPDEs,以及初始和边界条件:
du=?2Δudt?f(u)dt+δdB(t),x∈Ω,t∈(0,T),u(x,0)=u0(x),x∈Ω,
其中Ω?Rd(d=1,2)是一个有界域,T > 0是最终时间,u是...
数据驱动和物理系统的深度集成
基于神经网络的方法(第2.4节)在直接从数据中捕捉复杂非线性动力学方面具有高效率[14]、[43]。然而,纯数据驱动方法本质上受限于训练数据的质量和代表性。噪声、不完整性或快照矩阵中的偏差可能导致网络学习到虚假的模式,从而导致非物理预测或误差累积。
数值实验
为了全面验证所提出的ROFD-PINN框架的有效性、准确性和鲁棒性,我们在三个典型的随机偏微分方程(SPDEs)上进行了广泛的数值实验,每个方程都代表了不同的物理机制,并作为关键随机工程系统的核心数学模型[46]、[47]:
具有f(u)=u^3?u的随机Allen-Cahn方程,用于建模相变。这个方程是本工作的主要模型。
结论
本文提出了一种称为ROFD-PINN的混合降阶框架,旨在高效、物理一致且实时模拟由非线性SPDEs控制的随机工程系统。该框架专注于实际工程和环境应用,解决了系统设计、控制和决策中的不确定性量化和计算效率的关键要求。通过结合基于POD的降维和DFNNs,...
作者贡献声明
李焕荣:撰写——审阅和编辑,监督,方法论,概念化。
赵婷:撰写——原始草稿,可视化,验证,软件。
陈飞:方法论,概念化。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
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