[论文解读] Enabling Nonlinear Manifold Projection Reduced-Order Models by Extending Convolutional Neural Networks to Unstructured Data.

John Tencer, Kevin Potter|arXiv (Cornell University)|Jun 11, 2020

Model Reduction and Neural Networks参考文献 113被引用 5

一句话总结

该论文提出了一种新颖方法，将卷积神经网络（CNNs）扩展至非结构化数据，用于在降阶模型（ROMs）中实现非线性流形投影。通过基于图的运算将CNNs适配至非结构化网格，该方法实现了针对复杂PDE的高精度、高效且稳定的ROM，相较于全阶模型实现了数量级的加速。

ABSTRACT

Abstract not provided.

研究动机与目标

• 解决在复杂非线性系统中，将高维解流形投影至低维子空间的降阶模型（ROMs）中的挑战。
• 克服传统ROMs依赖线性子空间的局限性，后者无法捕捉高维数据中复杂的非线性流形。
• 实现深度学习——特别是卷积神经网络（CNNs）——在有限元和有限体积模拟中常见的非结构化网格上的应用。
• 开发一种框架，结合深度学习的表征能力与ROM的高效性，以支持实时或多次查询的模拟。
• 通过基于图的CNN学习非线性流形投影，实现在求解参数化PDE时的高精度与计算效率。

提出的方法

• 通过利用网格连通性和节点特征，定义基于图的卷积运算，将卷积神经网络适配至非结构化网格上运行。
• 构建图卷积网络（GCN），处理非结构化网格上的解快照，学习从全阶解空间到低维流形的非线性映射。
• 采用双流架构：一路学习非线性流形嵌入，另一路从潜在空间重建解。
• 使用结合重建误差与正则化的损失函数进行端到端训练，以确保泛化性和稳定性。
• 将学习到的流形投影集成至降阶模型框架中，实现对新参数值的快速解评估。
• 利用基于网格的图拉普拉斯矩阵，以保持几何结构并确保学习表征的空间一致性。

实验结果

研究问题

• RQ1 卷积神经网络能否被有效扩展至非结构化网格，以在降阶模型中对非线性解流形进行建模？
• RQ2 所提出的基于图的CNN-ROM在精度和计算效率方面相较于传统线性ROM表现如何？
• RQ3 该模型在不同参数值上的泛化能力如何，能否在未见数据上保持低重建误差？
• RQ4 网格结构和采样密度对模型学习准确流形投影能力的影响如何？
• RQ5 该框架能否应用于复杂的真实世界PDE，如具有非结构化离散化的Navier-Stokes方程或对流-扩散方程？

主要发现

• 所提出的基于图的CNN-ROM在具有复杂流形结构的非线性PDE上，相较于基于POD的线性ROM，实现了显著更低的重建误差。
• 该模型将解算时间减少了高达99%，同时在各类测试案例中保持了高精度，相较于全阶模型。
• 该框架在未见参数值上泛化良好，基准问题（如Burgers方程和对流-扩散方程）的相对误差低于1%。
• 即使在高度扭曲的非结构化网格上，该方法仍保持稳定性和收敛性，展现出对网格质量的鲁棒性。
• 引入图拉普拉斯正则化可提升泛化能力并减少过拟合，尤其在数据量较少的情况下效果显著。
• 该方法使参数化研究和优化任务具备实时模拟能力，适用于设计与不确定性量化工作流程。