[论文解读] Reconstruction of Simulation-Based Physical Field by Reconstruction Neural Network Method

Yu Li, Hu Wang+2 more|arXiv (Cornell University)|Apr 19, 2018

Computer Graphics and Visualization Techniques参考文献 49被引用 4

一句话总结

本文提出了一种重建神经网络（ReConNN）框架，该框架结合卷积神经网络（CNN）与基于Wasserstein GAN的自编码器（WGAN-CAE），从轮廓图像中重建基于仿真的物理场（如应力、应变和传热）。通过利用卷积内卷积（CIC）架构与对抗性训练，ReConNN 实现了比标准CNN和GAN更高的保真度物理场重建精度，其有效性已在拓扑优化中的针翅散热器案例研究中得到验证。

ABSTRACT

A variety of modeling techniques have been developed in the past decade to reduce the computational expense and improve the accuracy of modeling. In this study, a new framework of modeling is suggested. Compared with other popular methods, a distinctive characteristic is "from image based model to analysis based model (e.g. stress, strain, and deformation)". In such a framework, a reconstruction neural network (ReConNN) model designed for simulation-based physical field's reconstruction is proposed. The ReConNN contains two submodels that are convolutional neural network (CNN) and generative adversarial net-work (GAN). The CNN is employed to construct the mapping between contour images of physical field and objective function. Subsequently, the GAN is utilized to generate more images which are similar to the existing contour images. Finally, Lagrange polynomial is applied to complete the reconstruction. However, the existing CNN models are commonly applied to the classification tasks, which seem to be difficult to handle with regression tasks of images. Meanwhile, the existing GAN architectures are insufficient to generate high-accuracy "pseudo contour images". Therefore, a ReConNN model based on a Convolution in Convolution (CIC) and a Convolutional AutoEncoder based on Wasserstein Generative Adversarial Network (WGAN-CAE) is suggested. To evaluate the performance of the proposed model representatively, a classical topology optimization procedure is considered. Then the ReConNN is utilized to the reconstruction of heat transfer process of a pin fin heat sink. It demonstrates that the proposed ReConNN model is proved to be a potential capability to reconstruct physical field for multidisciplinary, such as structural optimization.

研究动机与目标

• 为解决在多学科工程设计中，从有限仿真数据中重建高保真物理场的挑战。
• 克服标准CNN在回归任务中的局限性，以及GAN在生成物理场伪轮廓图像时的准确性不足问题。
• 开发一种混合深度学习框架，实现在数据高效条件下的连续物理场（如应力、应变和温度分布）精确重建。
• 在真实工程场景中验证该框架，具体为针翅散热器的拓扑优化。

提出的方法

• ReConNN 框架整合了卷积内卷积（CIC）网络，以增强从轮廓图像到物理场数值的特征提取与映射能力。
• 采用基于Wasserstein GAN的卷积自编码器（WGAN-CAE），生成逼真且高质量的伪轮廓图像，使其与真实仿真数据相似。
• CNN子模型学习输入轮廓图像与对应物理场目标函数之间的映射关系，实现基于回归的重建。
• GAN组件通过生成多样化且合理的物理场模式，扩展了训练分布，从而提升泛化能力。
• 应用拉格朗日多项式插值法，对整个域内的重建物理场进行精细化与完整性补全。
• 该框架在仿真生成的数据上进行端到端训练，并采用与物理场保真度相关的指标进行评估。

实验结果

研究问题

• RQ1 深度学习框架能否有效从稀疏或有限的基于仿真的轮廓图像中重建连续物理场？
• RQ2 CIC与WGAN-CAE的集成相较于标准CNN和GAN，在物理场建模中的重建精度提升程度如何？
• RQ3 ReConNN模型在结构与热分析中对未见过的物理场构型的泛化能力达到何种程度？
• RQ4 所提出方法是否能在复杂几何结构（如针翅散热器）中保持重建场的物理一致性与空间精度？

主要发现

• 与基线CNN和GAN模型相比，ReConNN模型在保留物理场精细空间细节方面表现出更优的重建精度。
• CIC的集成增强了特征表示能力，从而在图像到场映射任务中实现了更优的回归性能。
• WGAN-CAE组件成功生成了高保真度的伪轮廓图像，其与真实仿真数据高度相似，显著提升了数据效率。
• 拉格朗日多项式插值法有效完成了整个域的场重建，确保了输出物理场的平滑与连续。
• 在针翅散热器案例研究中，ReConNN展现出强大的泛化能力与高精度，证实其在拓扑优化与多学科设计中的应用潜力。