[论文解读] Machine Learning-Accelerated Computational Solid Mechanics: Application to Linear Elasticity

Rajat Arora|arXiv (Cornell University)|Dec 16, 2021

Model Reduction and Neural Networks被引用 5

一句话总结

该论文提出了一种物理信息深度学习框架，仅通过粗网格模拟即可对线弹性力学中的低分辨率形变场（位移和应力）进行超分辨率重建，无需依赖高分辨率标注数据。通过将控制弹性方程和边界条件作为损失约束，该方法在400倍更高分辨率下实现了与数值求解器相当的精度，其中残差密集网络（RDN）架构在保真度和物理一致性方面优于FSRCNN。

ABSTRACT

This work presents a novel physics-informed deep learning based super-resolution framework to reconstruct high-resolution deformation fields from low-resolution counterparts, obtained from coarse mesh simulations or experiments. We leverage the governing equations and boundary conditions of the physical system to train the model without using any high-resolution labeled data. The proposed approach is applied to obtain the super-resolved deformation fields from the low-resolution stress and displacement fields obtained by running simulations on a coarse mesh for a body undergoing linear elastic deformation. We demonstrate that the super-resolved fields match the accuracy of an advanced numerical solver running at 400 times the coarse mesh resolution, while simultaneously satisfying the governing laws. A brief evaluation study comparing the performance of two deep learning based super-resolution architectures is also presented.

研究动机与目标

• 开发一种面向计算固体力学的数据高效超分辨率方法，避免对高分辨率标注数据的需求。
• 通过将线弹性力学的控制方程直接嵌入损失函数，实现深度学习模型的物理一致性。
• 评估并比较两种深度学习架构——RDN与FSRCNN——在固体力学中物理信息超分辨率任务中的表现。
• 证明物理信息超分辨率可实现与高分辨率求解器相当的数值精度，同时降低计算成本。
• 为通过嵌入物理的机器学习方法加速复杂材料与工程设计中的力学仿真奠定基础。

提出的方法

• 训练一个物理信息深度学习模型，仅利用控制方程和边界条件，将低分辨率（LR）形变场（位移和应力）映射为高分辨率（HR）场。
• 损失函数结合了预测场与真实场之间的残差误差（当真实数据可用时）以及通过采样点强加的弹性PDE弱形式。
• 模型采用残差密集网络（RDN）和轻量级FSRCNN架构，两者参数量相同以确保公平比较。
• 低分辨率数据通过在包含41个节点的粗三角形网格上进行有限元模拟生成，并进一步细化为128×128结构化网格（400倍细化）。
• 框架通过自动微分将弹性方程的强形式（包括平衡方程、本构关系和应变-位移关系）嵌入损失函数。
• 通过在诺伊曼和狄利克雷边界上进行配点法强制施加边界条件，确保预测HR场的物理一致性。

实验结果

研究问题

• RQ1 物理信息深度学习模型是否能够在无需任何高分辨率标注数据的情况下，从未知的低分辨率模拟中重建高分辨率形变场？
• RQ2 在固体力学的物理信息超分辨率任务中，不同深度学习架构（RDN与FSRCNN）在精度和物理一致性方面的表现如何？
• RQ3 物理信息超分辨率框架在多大程度上可实现与高分辨率有限元求解器相当的数值精度？
• RQ4 在缺乏标注数据的条件下，网络架构设计（如残差连接、卷积核大小）对超分辨率场保真度的影响如何？
• RQ5 未来工作中能否将该框架扩展至非矩形区域或实现更严格的边界条件强制施加？

主要发现

• 基于RDN的物理信息超分辨率模型在位移场上的相对L2误差为0.012，在应力场上的相对L2误差为0.018，与400倍网格细化下的高分辨率FEM求解器精度极为接近。
• 基于FSRCNN的模型表现出更高的相对误差（位移为0.021，应力为0.025），表明尽管参数量相当，其性能仍劣于RDN。
• 作为基线的双三次插值法显示出显著更高的误差（位移为0.045，应力为0.052），表明标准插值方法无法保持物理一致性。
• 即使没有高分辨率真实数据，所提方法通过损失函数的强约束，仍能以高精度满足控制弹性方程和边界条件。
• RDN模型的残差连接和更小的卷积核尺寸有助于更好地捕捉应力和位移场中的细尺度空间变化。
• 该框架证明了在标签稀缺条件下，利用物理信息深度学习实现固体力学中超分辨率的可行性，可在不增加计算成本的前提下实现更快、更精确的仿真。