[논문 리뷰] Enhanced physics-informed neural networks for hyperelasticity

Diab Abueidda, Seid Korić외 2명|arXiv (Cornell University)|2022. 05. 24.

Model Reduction and Neural Networks인용 수 5

한 줄 요약

이 논문은 강형식 잔여항, 위치 에너지, 물성 모델 일致성의 세 가지 요소를 다중손실 함수에 통합한 메쉬프리 물리 기반 신경망(PINN)을 제안한다. 이는 손실 항의 변동계수 가중치를 사용해 손실 항을 동적으로 균형 조절함으로써, 레이블이 없는 데이터나 메쉬 생성이 필요 없이도 높은 정확도를 달성한다. 특히 기울기가 큰 영역에서 뛰어난 성능을 보이며, L₂ 오차가 0.0091에 불과하다. 이는 표준 딥 콜로케이션 및 딥 에너지 방법보다 뛰어난 정확도를 보인다.

ABSTRACT

Physics-informed neural networks have gained growing interest. Specifically, they are used to solve partial differential equations governing several physical phenomena. However, physics-informed neural network models suffer from several issues and can fail to provide accurate solutions in many scenarios. We discuss a few of these challenges and the techniques, such as the use of Fourier transform, that can be used to resolve these issues. This paper proposes and develops a physics-informed neural network model that combines the residuals of the strong form and the potential energy, yielding many loss terms contributing to the definition of the loss function to be minimized. Hence, we propose using the coefficient of variation weighting scheme to dynamically and adaptively assign the weight for each loss term in the loss function. The developed PINN model is standalone and meshfree. In other words, it can accurately capture the mechanical response without requiring any labeled data. Although the framework can be used for many solid mechanics problems, we focus on three-dimensional (3D) hyperelasticity, where we consider two hyperelastic models. Once the model is trained, the response can be obtained almost instantly at any point in the physical domain, given its spatial coordinates. We demonstrate the framework's performance by solving different problems with various boundary conditions.

연구 동기 및 목표

• 고기울기 영역이 많은 초탄성 문제를 해결하는 데 있어 기존 PINN의 한계를 해결하기 위해.
• 독립형 메쉬프리 PINN 프레임워크를 개발하여 레이블 데이터나 메쉬 생성이 필요 없도록 하기 위해.
• 강형식 잔여항, 위치 에너지, 물성 모델 일치성을 통합한 통합 손실 함수를 통해 복잡한 고체역학 문제에서 해의 정확도를 향상시키기 위해.
• 손실 항의 변동계수 가중치를 사용해 다중 손실 항을 동적으로 균형 조절함으로써 학습 안정성과 수렴성을 향상시키기 위해.

제안 방법

• 평형 방정식의 강형식 잔여항, 총 위치 에너지, 물성 모델 일치성 항을 포함한 다중손실 함수를 수립한다.
• 메쉬나 요소 연결 정보에 의존하지 않고 신경망을 사용해 변위장의 근사치를 구한다.
• 학습 중에 각 손실 항에 대해 동적 가중치를 부여하기 위해 변동계수 가중치 기법을 적용하여 최적화 안정성을 향상시킨다.
• 고기울기 특징을 더 잘 포착할 수 있도록 푸리에 특징 임bedding을 적용한다.
• 학습 데이터의 복잡성을 점진적으로 증가시키는 커리큘럼 학습 전략을 구현하여 수렴성을 향상시킨다.
• 레이블 데이터가 전혀 없이도 PDE와 경계 조건만을 사용해 3D 초탄성 문제의 경계값 문제를 해결한다.

실험 결과

연구 질문

• RQ1 레이블 데이터나 메쉬 생성 없이도 3D 초탄성 문제에서 국소적인 응력 및 변위 기울기를 정확히 포착할 수 있는 PINN 프레임워크는 어떻게 설계할 수 있는가?
• RQ2 표준 딥 콜로케이션 및 딥 에너지 방법과 비교해 초탄성 문제에서 뛰어난 정확도를 달성하는 데 가장 효과적인 손실 함수 조합은 무엇인가?
• RQ3 변동계수 가중치 기반의 적응형 손실 가중치는 고체역학 문제의 PINN에서 학습 수렴성과 해의 정확도를 어떻게 향상시키는가?
• RQ4 메쉬프리 PINN은 복잡한 경계 조건에서 기존의 유한요소법(FEA) 및 기존 PINN 방법보다 정확도와 추론 속도 측면에서 뛰어나게 성능을 발휘할 수 있는가?
• RQ5 강형식 잔여항과 위치 에너지 최소화를 결합함으로써 PINN 해의 강인성과 일반화 능력은 어떻게 향상되는가?

주요 결과

• 제안된 PINN는 국소적 인장력이 작용하는 단위 입자에서 변위장의 L₂ 오차가 0.0091을 기록했으며, 이는 딥 콜로케이션 방법(0.085)과 딥 에너지 방법(0.034)보다 뛰어난 성능을 보였다.
• 메쉬 생성이나 레이블 데이터 없이도 네오후크형 초탄성 문제에서 고기울기 응력 및 변위장을 성공적으로 포착했다.
• 변동계수 가중치 기법이 다중 손실 항을 효과적으로 균형 조절하여 고정 가중치 방법 대비 학습 안정성과 수렴성을 향상시켰다.
• 메쉬프리 구조 덕분에 유한요소법에서 흔히 발생하는 요소 왜곡 및 부피 압축 락킹 문제를 피할 수 있었다.
• 모델은 빠른 추론 능력을 보였으며, 훈련 후에는 어떤 공간 점이라도 거의 즉각적인 해 평가가 가능했다.
• 이식 학습이 가능함을 입증했으며, 유사한 문제에 대해 미세한 변형이 있는 경우 기존에 훈련된 가중치를 초기화 값으로 재사용할 수 있어 훈련 시간을 단축시킬 수 있었다.