[논문 리뷰] MeshingNet: A New Mesh Generation Method based on Deep Learning

Zheyan Zhang, Yongxing Wang외 2명|arXiv (Cornell University)|2020. 04. 15.

Computer Graphics and Visualization Techniques참고 문헌 20인용 수 9

한 줄 요약

MeshingNet는 임의의 2차원 기하도형에 대해 비균일한 유한요소 메시의 밀도 분포를 예측하기 위한 딥러닝 기반 접근법을 제안한다. 이는 비용이 많이 드는 사후 오차 추정을 피함으로써, 고정밀도 오차 추정치를 기반으로 훈련된 모델이 고품질의 비균일 메시를 생성하여 균일 메시나 ZZ-재분할 메시보다 정확도에서 뛰어나며, 적응형 워크플로우에서의 초기 메시로 활용 가능하다.

ABSTRACT

We introduce a novel approach to automatic unstructured mesh generation using machine learning to predict an optimal finite element mesh for a previously unseen problem. The framework that we have developed is based around training an artificial neural network (ANN) to guide standard mesh generation software, based upon a prediction of the required local mesh density throughout the domain. We describe the training regime that is proposed, based upon the use of \emph{a posteriori} error estimation, and discuss the topologies of the ANNs that we have considered. We then illustrate performance using two standard test problems, a single elliptic partial differential equation (PDE) and a system of PDEs associated with linear elasticity. We demonstrate the effective generation of high quality meshes for arbitrary polygonal geometries and a range of material parameters, using a variety of user-selected error norms.

연구 동기 및 목표

• 반복적이고 계산 비용이 큰 사후 오차 추정에 의존하지 않는 자동 비균일 메시 생성을 위한 데이터 기반 방법 개발
• 기하도형, 경계 조건, 물성 매개변수를 바탕으로 국소 메시 밀도를 예측할 수 있도록 딥 네ural 네트워크 훈련
• 균일 메시나 전통적인 적응형 메시보다 요소 수가 적은 비균일 메시를 생성하여 등분포 오차를 달성하는 고품질의 비균일 메시 생성
• 사전에 계산된 훈련 데이터를 기반으로 오차 추정을 학습된 예측으로 대체함으로써 PDE의 메시 생성 속도 향상
• 다양한 기하도형, 물성 매개변수, 오차 노름에 대해 테스트 문제에서의 일반화 능력 입증

제안 방법

• 기하도형, 경계 조건, 물성 매개변수를 포함한 입력 특징에서 국소 메시 밀도를 예측하는 데 목적이 있는 딥 네ural 네트워크(MeshingNet)를 훈련
• 훈련 데이터는 군근 균일 메시에서의 FEM 해의 고정밀 사후 오차 추정치로 구성되며, 이는 최적의 메시 밀도 분포를 생성하는 데 사용됨
• 완전 컨volution 네트워크(FCN), 잔차 네트워크(ResNet) 및 기타 아키텍처가 메시 밀도 예측 성능 평가에 사용됨
• MeshingNet은 표준 메시 생성기(예: Triangle)가 PDE를 풀거나 추정기 계산을 하지 않고도 비균일 메시를 생성할 수 있도록 하는 메시 밀도 분포를 예측함
• 예측값과 참값 간의 차이를 최소화하기 위해 기울기 하강법을 사용하는 미분 가능 손실 함수를 사용해 네트워크 훈련
• 성능 평가를 위해 포아송 방정식과 선형 탄성 문제 두 가지 테스트 문제를 사용하며, 잠재 에너지와 오차 노름을 기준으로 성능 측정

실험 결과

연구 질문

• RQ1 딥 네럴 네트워크는 기하도형, 물성, 경계 조건 입력에서 최적의 메시 밀도 분포를 효과적으로 학습할 수 있는가?
• RQ2 MeshingNet의 메시 품질은 균일 메시 및 ZZ-재분할 메시에 비해 해의 정확도 측면에서 어떻게 비교되는가?
• RQ3 MeshingNet은 다양한 다각형 기하도형과 물성 매개변수에 대해 얼마나 일반화 가능한가?
• RQ4 네트워크가 메시 밀도를 예측함으로써 기존 적응형 방법 대비 오차가 균일 분포되고 계산 비용이 감소하는가?
• RQ5 MeshingNet은 기존 적응형 메시 생성 워크플로우 내에서 효율적인 초기 메시 생성기로 활용될 수 있는가?

주요 결과

• MeshingNet가 생성한 메시는 평균 잠재 에너지가 -7.6813(FCN)로, 균일 메시(-7.6030)나 ZZ-재분할 메시보다 매우 정확한 기준 해(HAS)에 더 가까운 결과를 도출함
• MeshingNet의 FCN 버전은 평균 에너지 -7.6813을 기록하여 ResNet1(-7.6815) 및 ResNet2(-7.6816)를 초월함. ResNet 모델들은 훈련 시간도 감소시킴
• 모든 테스트 기하도형에서 MeshingNet가 생성한 메시는 균일 메시 및 ZZ-재분할 메시보다 고정밀 해에 대한 유한요소 오차가 낮게 나타남
• 테스트 케이스 전반에서 일관된 성능을 보이며 기하도형, 경계 조건, 물성 매개변수 간의 복잡한 상호작용을 메시 밀도 예측에 효과적으로 반영함
• 추론 시 사후 오차 추정의 계산 비용을 피하면서도 최적에 가까운 오차 분포를 갖는 메시를 생성함
• 다양한 다각형 영역과 물성 매개변수에 대해 강력한 일반화 능력을 보이며, 인장력 대 밀도 비율이 메시의 비균일성에 핵심적인 영향을 미침