[论文解读] DeepPhysics: a physics aware deep learning framework for real-time simulation

Alban Odot, Ryadh Haferssas+1 more|arXiv (Cornell University)|Sep 17, 2021

Model Reduction and Neural Networks参考文献 4被引用 4

一句话总结

本文提出 DeepPhysics，一种物理感知的深度学习框架，通过训练神经网络在不到 1 毫秒内实现对超弹性材料的位移场预测，精度达到微米级。通过结合物理信息损失函数、基于模态分析的数据生成方法以及混合牛顿-拉夫森算法，该方法在收敛性方面比标准牛顿-拉夫森法提高 54%，迭代次数减少 20%。

ABSTRACT

Real-time simulation of elastic structures is essential in many applications, from computer-guided surgical interventions to interactive design in mechanical engineering. The Finite Element Method is often used as the numerical method of reference for solving the partial differential equations associated with these problems. Yet, deep learning methods have recently shown that they could represent an alternative strategy to solve physics-based problems 1,2,3. In this paper, we propose a solution to simulate hyper-elastic materials using a data-driven approach, where a neural network is trained to learn the non-linear relationship between boundary conditions and the resulting displacement field. We also introduce a method to guarantee the validity of the solution. In total, we present three contributions: an optimized data set generation algorithm based on modal analysis, a physics-informed loss function, and a Hybrid Newton-Raphson algorithm. The method is applied to two benchmarks: a cantilever beam and a propeller. The results show that our network architecture trained with a limited amount of data can predict the displacement field in less than a millisecond. The predictions on various geometries, topologies, mesh resolutions, and boundary conditions are accurate to a few micrometers for non-linear deformations of several centimeters of amplitude.

研究动机与目标

• 开发一种用于非线性弹性问题的实时仿真框架，其速度优于传统有限元法（FEM），同时保持高精度。
• 通过将深度学习与基于物理的约束相结合，解决现有方法（如区域分解和模型降阶）的局限性。
• 利用数据驱动方法，实现对不同边界条件、几何形状和材料属性下位移场的快速、高精度预测。
• 通过物理信息损失函数和混合优化策略，确保解的有效性，并提升收敛性。
• 降低实时应用（如手术模拟和交互式工程设计）的计算成本。

提出的方法

• 利用模态分析生成变形模式的优化数据集，减少所需训练样本数量。
• 采用物理信息损失函数，在网络训练过程中强制满足物理一致性，如边界条件和材料行为。
• 使用全连接神经网络学习从边界条件到位移场的非线性映射。
• 提出一种混合牛顿-拉夫森算法，将神经网络的预测结果作为初始猜测，提升收敛速度和成功率。
• 以混合方式应用牛顿-拉夫森法：若网络预测结果比第一次迭代更接近解，则将其作为初始点。
• 通过基于残差的误差度量验证预测结果，确保物理合理性与解的精度。

实验结果

研究问题

• RQ1 在有限数据集上训练的深度学习模型能否实现实时预测超弹性材料的位移场，且精度达到微米级？
• RQ2 物理信息损失函数在提升解的有效性与跨不同几何形状和边界条件下的泛化能力方面效果如何？
• RQ3 将神经网络预测结果作为牛顿-拉夫森法的初始猜测，能在多大程度上提升收敛速度和减少迭代次数？
• RQ4 该方法在超出训练分布的未见力幅值、作用位置和几何形状下的泛化能力如何？
• RQ5 该方法在处理局部力或拓扑变化时存在哪些局限性，如何加以缓解？

主要发现

• 神经网络在 1 毫秒内完成位移场预测，满足实时仿真要求。
• 该方法对几厘米量级非线性变形的预测精度达到几微米。
• 混合牛顿-拉夫森算法将收敛率从标准牛顿-拉夫森法的 46% 提高至 71%（在 100 个测试用例中）。
• 混合方法将平均迭代次数从 6.1 次减少至 5.0 次，其中 66% 的情况表明网络预测作为初始猜测更优。
• 该框架对未见的杨氏模量值具有良好的泛化能力，但更高精度需更多训练样本。
• 该方法在处理高度局部化的外力时效果较差，表明此类情况下需改进数据表示。