[论文解读] A transfer learning enhanced the physics-informed neural network model for vortex-induced vibration

Hesheng Tang, Hu Yang+2 more|arXiv (Cornell University)|Dec 29, 2021

Fluid Dynamics and Vibration Analysis被引用 4

一句话总结

本文提出了一种增强型迁移学习物理信息神经网络（PINN）模型，以提高二维流固耦合问题中涡激振动（VIV）预测的效率与准确性。通过利用在共享数据集划分上预训练的源模型的知识，该方法在目标领域数据极少的情况下仍能实现高性能预测，即使在数据稀缺条件下也优于标准PINN。

ABSTRACT

Vortex-induced vibration (VIV) is a typical nonlinear fluid-structure interaction phenomenon, which widely exists in practical engineering (the flexible riser, the bridge and the aircraft wing, etc). The conventional finite element model (FEM)-based and data-driven approaches for VIV analysis often suffer from the challenges of the computational cost and acquisition of datasets. This paper proposed a transfer learning enhanced the physics-informed neural network (PINN) model to study the VIV (2D). The physics-informed neural network, when used in conjunction with the transfer learning method, enhances learning efficiency and keeps predictability in the target task by common characteristics knowledge from the source model without requiring a huge quantity of datasets. The datasets obtained from VIV experiment are divided evenly two parts (source domain and target domain), to evaluate the performance of the model. The results show that the proposed method match closely with the results available in the literature using conventional PINN algorithms even though the quantity of datasets acquired in training model gradually becomes smaller. The application of the model can break the limitation of monitoring equipment and methods in the practical projects, and promote the in-depth study of VIV.

研究动机与目标

• 解决传统有限元方法和数据驱动方法在VIV分析中面临的高计算成本和数据稀缺挑战。
• 提升物理信息神经网络（PINNs）在建模非线性流固耦合时的样本效率与泛化能力。
• 探究迁移学习是否能在实验数据有限的情况下提升PINN在VIV预测中的表现。
• 实现在监测数据或仪器有限的工程环境中对VIV模型的实际部署。

提出的方法

• 采用两阶段训练框架：首先在VIV实验的源域数据集上预训练PINN，然后在目标域数据集上微调。
• 通过均匀划分实验VIV数据创建源域和目标域，以保持共享的物理特性。
• 物理信息神经网络将纳维-斯托克斯方程和结构动力学方程作为损失约束，以将物理定律嵌入模型。
• 迁移学习将源模型学习到的表征知识迁移到目标任务中，以加速收敛并提升泛化性能。
• 模型采用深层神经网络架构并引入残差连接，以增强对复杂非线性动力学的学习能力。
• 损失函数结合数据保真项与基于物理的约束，以确保训练过程中的物理一致性。

实验结果

研究问题

• RQ1 迁移学习是否能显著降低VIV预测中训练物理信息神经网络的数据需求？
• RQ2 在数据可用性逐渐减少的情况下，迁移学习增强的PINN与标准PINN的性能相比如何？
• RQ3 源域与目标域之间共享的物理特性在多大程度上能提升VIV模拟中的模型泛化能力？
• RQ4 当应用于样本有限的真实实验VIV数据时，该迁移学习方法是否能保持高精度与稳定性？

主要发现

• 即使在目标域中训练数据显著减少的情况下，该迁移学习增强的PINN仍实现了与标准PINN相当的预测精度。
• 模型在微调过程中表现出更快的收敛速度与更高的稳定性，表明从源域到目标域的知识迁移有效。
• 该方法保持了高水平的物理一致性，表现为纳维-斯托克斯方程和结构方程约束下的残差误差极低。
• 该方法可在极少实验数据条件下实现可靠的VIV建模，从而降低对大规模监测基础设施的依赖。