[논문 리뷰] Physics-informed deep learning for flow and deformation in poroelastic media

Yared W. Bekele|arXiv (Cornell University)|2020. 10. 29.

Model Reduction and Neural Networks참고 문헌 25인용 수 16

한 줄 요약

이 논문은 다공성 탄성 매질에서 유동과 변형의 결합된 문제를 해결하기 위해 물리 기반의 딥 뉴럴 네트워크(PINN)를 제안한다. 이는 다공성 탄성 이론의 지배하는 편미분방정식(PDE)인 질량 보존 방정식과 평형 방정식을 손실 함수에 통합함으로써 이루어진다. 모델은 수평 및 수직 변형 예측에서 높은 정확도를 달성하였으며, 각각 L2 오차가 3.826×10⁻² 및 5.263×10⁻²이었다. 그러나 데이터 희소성으로 인해 기포 압력 예측은 덜 정확했으며, L2 오차는 8.071×10⁻²이었다.

ABSTRACT

A physics-informed neural network is presented for poroelastic problems with coupled flow and deformation processes. The governing equilibrium and mass balance equations are discussed and specific derivations for two-dimensional cases are presented. A fully-connected deep neural network is used for training. Barry and Mercer's source problem with time-dependent fluid injection/extraction in an idealized poroelastic medium, which has an exact analytical solution, is used as a numerical example. A random sample from the analytical solution is used as training data and the performance of the model is tested by predicting the solution on the entire domain after training. The deep learning model predicts the horizontal and vertical deformations well while the error in the predicted pore pressure predictions is slightly higher because of the sparsity of the pore pressure values.

연구 동기 및 목표

• 다공성 탄성 매질에서 유동과 변형의 결합 문제를 해결하기 위한 물리 기반 신경망(PINN)을 개발한다.
• 다공성 탄성 이론의 지배하는 PDE—질량 보존 방정식과 평형 방정식—을 딥 러닝 프레임워크에 제약 조건으로 통합한다.
• 정확한 해가 존재하는 벤치마크 문제에서 모델 성능을 평가한다.
• 희소한 기포 압력 데이터가 예측 정확도와 모델 일반화 능력에 미치는 영향을 평가한다.
• 지열역학 및 다공성 매체에서의 복잡한 다물리 문제에 대해 PINN의 실현 가능성을 입증한다.

제안 방법

• 지배하는 PDE에서 유도된 데이터 기반 손실과 물리 기반 손실을 조합하여 풀링된 완전 연결 신경망을 학습시킨다.
• 등방성이고 비압축성 물질을 갖는 2차원 다공성 탄성 문제에 대해 방정식을 비차원화한다.
• 자동 미분를 통해 다르시의 법칙과 선형 탄성 응력-변형률 관계를 통합하여 잔차 손실을 계산한다.
• 총 손실 함수는 변형 및 기포 압력 예측에 대한 평균 제곱오차(MSE)와 PDE 잔차에 대한 MSE를 조합한다.
• 훈련 데이터로 바리 및 머서 문제의 정확한 해에서 무작위로 샘플링된 데이터를 사용한다.
• 편향과 분산의 균형을 맞추기 위해 하이퍼파rameter를 조정하여 훈련 데이터에의 적합성과 물리적 제약 조건 충족 간의 트레이드오프를 최적화한다.

실험 결과

연구 질문

• RQ1 희소한 훈련 데이터만을 사용하여 물리 기반 딥 러닝이 다공성 탄성 매질에서 유동과 변형의 결합 문제를 효과적으로 모델링할 수 있는가?
• RQ2 기포 압력 데이터의 희소성이 다공성 탄성 문제에서 PINN 예측 정확도에 어떤 영향을 미치는가?
• RQ3 밀도 높은 관측 데이터가 부족한 상황에서 PDE 잔차가 일반화 및 정확도 향상에 얼마나 기여하는가?
• RQ4 기포 압력 예측이 덜 정확하더라도 PINN가 변형 예측에서 높은 정확도를 달성할 수 있는가?
• RQ5 다물리 문제 설정에서 다중 필드 변수(변위 및 압력)를 하나의 신경망으로 처리할 경우의 영향은 무엇인가?

주요 결과

• 모델은 수평 및 수직 변형 예측에서 높은 정확도를 달성하였으며, 각각 L2 오차 노름이 3.826×10⁻² 및 5.263×10⁻²이었다.
• 기포 압력 예측은 도메인 전역에서 기포 압력 값의 희소성으로 인해 더 높은 오차를 보였으며(L2 노름: 8.071×10⁻²),
• 기포 압력 오차가 높음에도 불구하고, 훈련 중에 PDE 제약 조건이 잘 충족되어 변형 예측은 여전히 정확했다.
• 손실 경로는 우수한 편향-분산 트레이드오프를 보이며 안정적이고 일반화 가능한 훈련 동역학을 나타낸다.
• 모델는 희소한 훈련 데이터 조건에서도 물리적 제약 조건이 일반화 능력을 크게 향상시킨다는 것을 입증하였다.
• 이 연구는 PDE가 적절히 통합되어 있다면, 밀도 높은 관측 데이터가 없더라도 PINN가 복잡한 다공성 탄성 문제를 효과적으로 해결할 수 있음을 확인하였다.