[論文レビュー] A transfer learning enhanced the physics-informed neural network model for vortex-induced vibration

Hesheng Tang, Hu Yang+2 more|arXiv (Cornell University)|Dec 29, 2021

Fluid Dynamics and Vibration Analysis被引用数 4

ひとこと要約

本稿では、2次元流体構造挙動相互作用問題における渦励振（VIV）予測の効率性と精度を向上させるために、転移学習を強化した物理情報付きニューラルネットワーク（PINN）モデルを提案する。共有データセット分割上で事前学習されたソースモデルの知識を活用することで、最小限のターゲットドメインデータでも高い予測性能を達成し、データが乏しい状況下でも標準PINNを上回る性能を示す。

ABSTRACT

Vortex-induced vibration (VIV) is a typical nonlinear fluid-structure interaction phenomenon, which widely exists in practical engineering (the flexible riser, the bridge and the aircraft wing, etc). The conventional finite element model (FEM)-based and data-driven approaches for VIV analysis often suffer from the challenges of the computational cost and acquisition of datasets. This paper proposed a transfer learning enhanced the physics-informed neural network (PINN) model to study the VIV (2D). The physics-informed neural network, when used in conjunction with the transfer learning method, enhances learning efficiency and keeps predictability in the target task by common characteristics knowledge from the source model without requiring a huge quantity of datasets. The datasets obtained from VIV experiment are divided evenly two parts (source domain and target domain), to evaluate the performance of the model. The results show that the proposed method match closely with the results available in the literature using conventional PINN algorithms even though the quantity of datasets acquired in training model gradually becomes smaller. The application of the model can break the limitation of monitoring equipment and methods in the practical projects, and promote the in-depth study of VIV.

研究の動機と目的

• VIV解析における従来の有限要素法およびデータ駆動型手法が直面する高い計算コストとデータの不足という課題に対処すること。
• 非線形流体構造相互作用のモデリングにおいて、物理情報付きニューラルネットワーク（PINN）のサンプル効率性と一般化性能を向上させること。
• 限られた実験データセットを用いたVIV予測において、転移学習がPINNの性能を向上させることを調査すること。
• 監視データや計測機器が限られた工学的現場へのVIVモデルの実用的導入を可能にすること。

提案手法

• 2段階のトレーニングフレームワークを採用：まずVIV実験データから得られるソースドメインデータセットでPINNを事前学習し、その後ターゲットドメインデータセットで微調整する。
• ソースドメインとターゲットドメインは、実験的VIVデータを均等に分割することで作成され、共通する物理的特性が保持される。
• 物理情報付きニューラルネットワークは、ナビエ-ストークス方程式および構造動力学方程式を損失制約として組み込み、モデルに物理法則を埋め込む。
• 転移学習により、ソースモデルが学習した表現から知識を転送することで、ターゲットタスクにおける収束速度の向上と一般化性能の向上が達成される。
• 複雑な非線形ダイナミクスの学習を促進するために、残差接続を備えた深層ニューラルネットワークアーキテクチャを採用する。
• 損失関数は、データ適合性項と物理ベースの制約を組み合わせており、トレーニング中に物理的一致性を保証する。

実験結果

リサーチクエスチョン

• RQ1 転移学習は、VIV予測における物理情報付きニューラルネットワークのトレーニングに必要なデータ量を顕著に削減できるか？
• RQ2 データ可用性が低下する条件下で、転移学習を強化したPINNの性能は、標準PINNと比べてどのように異なるか？
• RQ3 ソースドメインとターゲットドメイン間の共通する物理的特性が、VIVシミュレーションにおけるモデル一般化性能をどの程度向上できるか？
• RQ4 限られたサンプルを有する実験的VIVデータに適用した場合、転移学習アプローチは高い精度と安定性を維持できるか？

主な発見

• 転移学習を強化したPINNは、ターゲットドメインにおけるトレーニングデータを大幅に削減した状況下でも、標準PINNと同等の予測精度を達成した。
• 微調整段階において、収束速度と安定性が向上しており、ソースドメインからターゲットドメインへの有効な知識転送が示された。
• ナビエ-ストークス方程式および構造方程式の制約における残留誤差が低く抑えられており、物理的一致性が高く保たれた。
• 本手法により、広範な監視インfraストラクチャに依存することなく、最小限の実験データで信頼性の高いVIVモデリングが可能になった。