[論文レビュー] Physics-informed deep learning for flow and deformation in poroelastic media

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

Model Reduction and Neural Networks参考文献 25被引用数 16

ひとこと要約

本稿では、ポアレイスティック媒体内の連成流動と変形を解くための物理情報付き深層ニューラルネットワーク（PINN）を提示する。この手法は、ポアレイスティック理論に由来する支配方程式（質量収支および平衡方程式）を損失関数に埋め込むことで実現される。モデルは水平方向および垂直方向の変形予測において高い精度を達成し、それぞれL2誤差が3.826×10⁻²および5.263×10⁻²であったが、データの疎らさのため、孔圧の予測はやや不正確であった（L2誤差：8.071×10⁻²）。

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.

研究の動機と目的

• ポアレイスティック媒体における連成流動と変形を解く物理情報付きニューラルネットワーク（PINN）の開発。
• ポアレイスティック理論の支配PDE（質量収支および平衡方程式）を、深層学習フレームワーク内の制約として統合すること。
• 正確な解析解が存在するベンチマーク問題におけるモデル性能の評価。
• 疎な孔圧データが予測精度およびモデル一般化性能に与える影響の評価。
• 地盤工学および多孔質媒体分野における複雑なマルチフィジックス問題に対するPINNの実現可能性の提示。

提案手法

• データ駆動型損失と支配PDEからの物理的損失を組み合わせて訓練する全結合型深層ニューラルネットワーク。
• 等方的かつ不可変性を有する定常状態の2次元ポアレイスティック問題に対して、方程式を無次元化。
• Darcyの法則および線形弾性の応力-ひずみ関係を自動微分を用いて計算し、残差損失を算出。
• 合計損失関数は、変形および孔圧予測の平均二乗誤差（MSE）と、PDEの残差のMSEを組み合わせたもの。
• トレーニングデータとして、BarryとMercerの問題の正確な解析解からのランダムサンプリングを用いる。
• バイアスとバリアンスのバランスを最適化するためにハイパーパrameterを調整し、トレーニングデータへの適合性と物理的制約の満たし方のトレードオフを最適化。

実験結果

リサーチクエスチョン

• RQ1 物理情報付きディープラーニングは、トレーニングデータが疎である場合でも、ポアレイスティック媒体における連成流動と変形を効果的にモデル化できるか？
• RQ2 孔圧データの疎らさが、ポアレイスティック問題におけるPINN予測精度にどのように影響するか？
• RQ3 観測データが豊富でない状況下で、PDEの残差が一般化性能および精度向上にどの程度寄与するか？
• RQ4 孔圧予測がやや不正確であっても、PINNが変形予測において高い精度を達成できるか？
• RQ5 マルチフィジックス設定において、複数の場の変数（変位および圧力）を1つのニューラルネットワークで同時に予測する場合の影響は何か？

主な発見

• 水平方向および垂直方向の変形予測は高い精度を示し、それぞれL2誤差ノルムが3.826×10⁻²および5.263×10⁻²であった。
• 孔圧予測は、ドメイン全体にわたり圧力値が疎らに分布しているため、より高い誤差（L2ノルム：8.071×10⁻²）を示した。
• 孔圧の誤差が高めであっても、トレーニング中にPDE制約が良好に満たされたため、変形予測は依然として正確であった。
• 損失関数の形状から、バイアスとバリアンスの良好なトレードオフが確認され、安定した一般化可能な学習ダイナミクスであることが示された。
• 物理的制約が、限られたトレーニングデータでも一般化性能を著しく向上させることをモデルが示した。
• 本研究は、PDEが適切に埋め込まれていれば、密度の高い観測データがなくてもPINNが複雑なポアレイスティック問題を効果的に解けることを確認した。