[論文レビュー] A physics-informed neural network for quantifying the microstructure properties of polycrystalline Nickel using ultrasound data

Khemraj Shukla, Ameya D. Jagtap+3 more|arXiv (Cornell University)|Mar 25, 2021

Model Reduction and Neural Networks参考文献 16被引用数 10

ひとこと要約

本稿では、5 MHzのレーザー・ビブロメトリーによる超音波表面波場データから多結晶ニッケルの空間的に変化する剛性係数（c₁₁、c₁₂、c₄₄）を推定する物理情報付きニューラルネットワーク（PINN）を提案する。PINNは、平面内および平面外の弾性波方程式を損失関数に組み込むことで逆問題を解き、最小限のデータサンプリングで微細組織の剛性変動を一貫的かつ正確に再構成する。

ABSTRACT

We employ physics-informed neural networks (PINNs) to quantify the microstructure of a polycrystalline Nickel by computing the spatial variation of compliance coefficients (compressibility, stiffness and rigidity) of the material. The PINN is supervised with realistic ultrasonic surface acoustic wavefield data acquired at an ultrasonic frequency of 5 MHz for the polycrystalline material. The ultrasonic wavefield data is represented as a deformation on the top surface of the material with the deformation measured using the method of laser vibrometry. The ultrasonic data is further complemented with wavefield data generated using a finite element based solver. The neural network is physically-informed by the in-plane and out-of-plane elastic wave equations and its convergence is accelerated using adaptive activation functions. The overarching goal of this work is to infer the spatial variation of compliance coefficients of materials using PINNs, which for ultrasound involves the spatially varying speed of the elastic waves. More broadly, the resulting PINN based surrogate model shows a promising approach for solving ill-posed inverse problems, often encountered in the non-destructive evaluation of materials.

研究の動機と目的

• 非破壊的超音波データを用いて、多結晶材料における空間的に変化する微細組織特性を定量化する課題に対処すること。
• メッシュフリーでデータ効率の良い代替モデルを構築し、非破壊評価における悪条件な逆問題を解くこと。
• 物理情報付きニューラルネットワークを用いて、実験的および数値的に生成された超音波波場データと支配的弾性波偏微分方程式（PDE）を統合すること。
• 単結晶および多結晶ニッケルの両方で手法を検証し、スパースなデータ条件下でも正確性と一貫性を示すこと。
• 限られた、ノイズが混在し、スパースにサンプリングされた表面変位データから、剛性テンソル成分（c₁₁、c₁₂、c₄₄）を高精度で推定することを可能にすること。

提案手法

• PINNは、5 MHzのレーザー・ビブロメトリーによる空間的・時間的表面変位データ（u₂）を用いて学習され、平面外運動を表す。
• モデルは、平面内（u₁、u₃）および平面外（u₂）粒子変位を記述する2つの分離可能な2階双曲型偏微分方程式（PDE）を解く。
• 損失関数は、データ適合性（u₂のMSE）、波動方程式からの残差損失（MSE_f₂）、および重み減衰正則化を組み合わせており、収束を加速する。
• 周波数が高い成分の学習を改善し、スペクトルバイアスを軽減するために、適応的活性化関数とフーリエ特徴マッピングが用いられる。
• 実験的波場（400×400および50×50グリッド）と有限要素法（FEM）で生成された合成データを組み合わせたハイブリッドデータセットが使用される。
• モデルの一貫性は、5回のランダムな重み初期化の結果をもとに評価され、推定された波速度の標準偏差を用いて不確実性が定量化される。

実験結果

リサーチクエスチョン

• RQ1 スパースな超音波波場データから、多結晶ニッケルにおける剛性係数（c₁₁、c₁₂、c₄₄）の空間的変動を物理情報付きニューラルネットワークが正確に再構成できるか？
• RQ2 限られた、ノイズが混在し、サンプリングが不十分な実験データで学習したPINNは、微細組織の不均一性をどの程度回復できるか？
• RQ3 損失関数に物理法則（弾性波方程式）を組み込むことで、完全にデータ駆動型のモデルと比較して、一般化性能および収束性がどの程度向上するか？
• RQ4 粗い空間的および時間的サンプリング条件下でも、複数のランダム初期化に対してPINNは一貫して材料特性を推定できるか？
• RQ5 重み減衰および適応的活性化関数の使用が、高周波数逆問題におけるPINNの収束性および安定性にどのように影響するか？

主な発見

• PINNは予測波場と実測波場の間に高い一致を示し、超音波伝播の正確な再構成を確認した。
• 多結晶ニッケルにおいて、推定された横波速度（vₛ₂）は、結晶粒レベルの剛性不均一性と整合的で、実行間平均が2.9845 mm/μs、標準偏差が4×10⁻⁴ mm/μsであった。
• 最小および最大のvₛ₂値の標準偏差は3×10⁻³ mm/μsであったため、PINNの予測が極めて一貫性があり、頑健であることが示された。
• モデルは、全波場の40％の空間的および12.5％の時間的サンプリングしか使用せず、スパースなデータでも効果的であることを示した。
• PINNは、vₛ₂に関連するc₄₄を高い精度で推定でき、空間的剛性変動を通じて多結晶微細組織の存在を明確に示した。
• 本手法は、1周波数での2次元波場データに対して実現可能であることが示された。今後の研究では、3次元および多周波数への拡張が予定されている。