[论文解读] Frequency-compensated PINNs for Fluid-dynamic Design Problems

Tongtao Zhang, Biswadip Dey+3 more|arXiv (Cornell University)|Nov 3, 2020

Model Reduction and Neural Networks参考文献 30被引用 6

一句话总结

该论文提出了一种频率补偿的物理信息神经网络（PINN），通过将傅里叶特征（频率和相位偏移）作为几何形状和边界条件的函数进行学习，从而在流体动力学设计问题中提升了泛化能力。通过将这些特征整合到PINN框架中，该模型能够在未见过的时间区间和设计条件下，实现对速度场和压力场的精确、快速预测，其在时间与空间泛化方面显著优于标准PINN。

ABSTRACT

Incompressible fluid flow around a cylinder is one of the classical problems in fluid-dynamics with strong relevance with many real-world engineering problems, for example, design of offshore structures or design of a pin-fin heat exchanger. Thus learning a high-accuracy surrogate for this problem can demonstrate the efficacy of a novel machine learning approach. In this work, we propose a physics-informed neural network (PINN) architecture for learning the relationship between simulation output and the underlying geometry and boundary conditions. In addition to using a physics-based regularization term, the proposed approach also exploits the underlying physics to learn a set of Fourier features, i.e. frequency and phase offset parameters, and then use them for predicting flow velocity and pressure over the spatio-temporal domain. We demonstrate this approach by predicting simulation results over out of range time interval and for novel design conditions. Our results show that incorporation of Fourier features improves the generalization performance over both temporal domain and design space.

研究动机与目标

• 为解决在流体动力学设计问题中，物理信息神经网络（PINN）在训练数据范围之外的泛化挑战。
• 通过编码由斯特劳哈尔数决定的周期性动力学，提升PINN在不可压缩绕圆柱流场中的时间与空间泛化能力。
• 开发一种代理模型，可在无需微调的情况下，准确预测新型几何形状与边界条件设置下的流场。
• 通过学习傅里叶特征映射子网络，减少对昂贵高保真模拟的依赖，实现在快速、准确推理的同时实现高效推断。

提出的方法

• 引入一个傅里叶特征映射（FFM）子网络，学习频率和相位偏移参数作为入口速度和圆柱尺寸的函数。
• 将FFM子网络集成到PINN架构中，将时空坐标与设计参数映射到具备频率感知能力的潜在空间。
• 通过纳维-斯托克斯方程施加基于物理的正则化，以在损失函数中保持物理一致性。
• 采用加权损失函数，结合数据保真度项与PDE残差项，使用正则化权重 λ=0.001 平衡精度与物理一致性。
• 在FeniCS模拟生成的稀疏锚点上进行模型训练，实现无需重新运行完整模拟的快速推理。
• 利用自动微分在训练过程中计算PDE残差，确保网络学习到与底层PDE一致的解。

实验结果

研究问题

• RQ1 具有学习到的傅里叶特征的PINN框架是否能在训练范围之外的时间区间实现更好的泛化？
• RQ2 在未见过的几何形状与边界条件设置下，学习频率与相位偏移如何提升泛化性能？
• RQ3 移除傅里叶特征映射后，对未训练流态下的预测精度与相位一致性有何影响？
• RQ4 与标准PINN训练相比，基于物理的正则化在泛化能力与鲁棒性方面表现如何？
• RQ5 该框架是否能通过实现比FeniCS等高保真求解器快几个数量级的推理速度，同时保持相当的精度，从而在设计探索中替代高保真求解器？

主要发现

• 所提出的频率补偿PINN在未见时间区间（如 t=5.15）实现了精确预测，尽管该范围无任何训练数据，仅出现微小相位偏移。
• 在未见几何设置（如 u_inlet=0.8, d_y=0.11）下测试时，模型表现出良好泛化能力，流场结构与特征得以保留，可视化结果表明MSE较低。
• 移除FFM组件后，预测误差显著增大，且无法捕捉复杂频率与相位偏移，凸显其在泛化中的关键作用。
• 消融研究显示，若无PDE正则化（λ=0），模型会过度拟合训练数据；而强正则化则会抑制未见情况下的涡度生成。
• 该框架将模拟时间从FeniCS的24,000余秒减少至15,000秒以内，实现等效数据生成，同时保持相近精度与完整的时空覆盖。
• 该模型成功预测了超出训练数据跨度的时空域内流场，展示了在设计空间中的强大泛化能力。