[论文解读] Physics-Constrained Bayesian Neural Network for Fluid Flow Reconstruction with Sparse and Noisy Data

Luning Sun, Jianxun Wang|arXiv (Cornell University)|Jan 15, 2020

Model Reduction and Neural Networks参考文献 42被引用 15

一句话总结

该论文提出了一种物理约束贝叶斯神经网络（PC-BNN），用于从稀疏且含噪声的速度测量数据中重建高分辨率流场。通过在贝叶斯似然函数中引入物理约束（纳维-斯托克斯方程），并采用Stein变分梯度下降法实现高效推理，该方法能够在含噪声条件下实现高精度的流场重建，并量化不确定性，显著优于无数据的物理约束学习方法。

ABSTRACT

In many applications, flow measurements are usually sparse and possibly noisy. The reconstruction of a high-resolution flow field from limited and imperfect flow information is significant yet challenging. In this work, we propose an innovative physics-constrained Bayesian deep learning approach to reconstruct flow fields from sparse, noisy velocity data, where equation-based constraints are imposed through the likelihood function and uncertainty of the reconstructed flow can be estimated. Specifically, a Bayesian deep neural network is trained on sparse measurement data to capture the flow field. In the meantime, the violation of physical laws will be penalized on a large number of spatiotemporal points where measurements are not available. A non-parametric variational inference approach is applied to enable efficient physics-constrained Bayesian learning. Several test cases on idealized vascular flows with synthetic measurement data are studied to demonstrate the merit of the proposed method.

研究动机与目标

• 解决在医学成像和风力发电场监测等应用中，从有限、稀疏且含噪声的测量数据中重建高分辨率流场的挑战。
• 克服确定性深度学习模型无法量化测量噪声或模型不完善性带来的不确定性的局限。
• 将物理定律（纳维-斯托克斯方程）整合进贝叶斯学习框架，以提高重建的准确性和可靠性。
• 通过概率化建模测量噪声和模型形式不确定性，实现在流场重建中的不确定性量化。

提出的方法

• 使用结合了测量噪声和模型不完善性的似然函数训练贝叶斯神经网络，实现流场的不确定性估计。
• 通过在无测量数据的时空点上施加惩罚项，将纳维-斯托克斯方程直接嵌入损失函数，实现物理约束的强制执行。
• 采用非参数变分推理方法——Stein变分梯度下降，高效近似网络权重的后验分布。
• 通过惩罚参数（λ=0.1）实现软边界条件施加，保持物理一致性，而无需精确的边界数据。
• 框架在稀疏测量数据上端到端训练，网络学习从低分辨率、含噪声输入到高分辨率、带不确定性的流场的映射。
• 后验分布支持对平均流场预测和预测不确定性（标准差）的估计，以均值和最大标准差形式量化。

实验结果

研究问题

• RQ1 物理约束贝叶斯神经网络能否有效从稀疏且含噪声的速度测量数据中重建高分辨率流场？
• RQ2 与无数据的PDE约束学习相比，稀疏标注数据的引入在多大程度上提升了物理约束深度学习的性能？
• RQ3 在不同水平的测量噪声下，所提方法在流场重建中的不确定性量化能力如何？
• RQ4 通过贝叶斯似然函数整合物理定律在多大程度上提升了重建的准确性和鲁棒性？
• RQ5 在所提框架中，数据稀疏性与不确定性估计保真度之间存在何种权衡？

主要发现

• 在5%噪声的狭窄流条件下，PC-BNN将相对均方误差从仅数据方法的0.623降低至0.041，同时不确定性估计的均值/标准差为0.038/0.076。
• 在15%噪声条件下，PC-BNN的相对均方误差为0.100，远低于仅数据方法的0.941，表现出对高噪声的强鲁棒性。
• 在分叉流条件下，PC-BNN在15%噪声下达到0.173的相对均方误差，显著优于仅数据基线的1.000。
• 在15%噪声下，PC-BNN的不确定性估计最大标准差为0.325，反映出噪声增加导致置信度衰减。
• 弱数据依赖的PC-BNN比无数据的物理约束学习方法将测试误差降低一个数量级更快，表明稀疏数据具有明确优势。
• 不确定性估计具有良好校准性，高噪声区域和复杂流结构区域的不确定性标准差更高。