[论文解读] FEM-based Real-Time Simulations of Large Deformations with Probabilistic Deep Learning.

Saurabh Deshpande, Jakub Lengiewicz+1 more|arXiv (Cornell University)|Nov 2, 2021

Model Reduction and Neural Networks参考文献 31被引用 5

一句话总结

本文提出一种基于U-Net的深度学习代理模型，该模型在有限元法（FEM）数据上进行训练，以实现实时模拟超弹性材料中的大变形。该研究引入了确定性和概率性推理框架——分别采用最大似然法和变分贝叶斯方法——以预测变形响应并量化不确定性，在三个基准问题上表现出高精度和可靠的置信区间。

ABSTRACT

For many engineering applications, such as real-time simulations or control, conventional solution techniques of the underlying nonlinear problems are usually computationally too expensive. In this work, we propose a highly efficient deep-learning surrogate framework that is able to predict the response of hyper-elastic bodies under load. The surrogate model takes the form of special convolutional neural network architecture, so-called U-Net, which is trained with force-displacement data obtained with the finite element method. We propose deterministic- and probabilistic versions of the framework and study it for three benchmark problems. In particular, we check the capabilities of the Maximum Likelihood and the Variational Bayes Inference formulations to assess the confidence intervals of solutions.

研究动机与目标

• 解决传统FEM在大变形实时工程模拟中计算成本过高的问题。
• 开发一种快速、数据驱动的代理模型，替代昂贵的FEM求解过程而不损失精度。
• 将不确定性量化整合到预测框架中，以评估解的置信度。
• 在基准超弹性变形问题上评估确定性和概率性深度学习模型的性能。
• 比较最大似然法与变分贝叶斯推理在估计预测不确定性方面的有效性。

提出的方法

• 在超弹性体的有限元法（FEM）模拟生成的力-位移数据上训练U-Net卷积神经网络。
• 利用U-Net架构高效地将输入载荷条件映射到全场位移预测结果。
• 实现框架的确定性版本，以快速获得变形响应的点估计。
• 通过变分贝叶斯推理扩展框架，以建模预测不确定性。
• 将最大似然估计作为替代的概率性公式，用于不确定性量化。
• 在涉及不同载荷下大变形的三个标准基准问题上训练并评估模型。

实验结果

研究问题

• RQ1 基于U-Net架构的深度学习代理模型是否能够实现实时预测超弹性材料中的大变形？
• RQ2 该代理模型在不同载荷场景下能否精确复现基于FEM的变形响应？
• RQ3 最大似然法与变分贝叶斯推理公式在多大程度上改善了预测的不确定性量化？
• RQ4 预测的置信区间在多大程度上反映了代理模型输出的真实误差？
• RQ5 在确定性推理与概率性推理之间，计算效率与预测可靠性之间的权衡如何？

主要发现

• 所提出的基于U-Net的代理模型实现了实时推理速度，支持大变形的快速模拟。
• 该模型的确定性版本生成的变形预测结果与FEM参考解高度吻合。
• 采用变分贝叶斯推理的概率框架成功生成了具有实际意义的预测置信区间。
• 最大似然估计方法也提供了可靠的不确定性估计，尽管其校准效果不如变分贝叶斯方法稳健。
• 两种概率性公式生成的置信区间在基准问题上均有效捕捉了代理模型预测的真实误差。
• 该框架在未见载荷条件下的泛化能力表现出色，表明其在实际工程应用中具有强鲁棒性。