DOI: https://doi.org/10.1038/s44172-024-00303-3
PMID: https://pubmed.ncbi.nlm.nih.gov/39487342
تاريخ النشر: 2024-11-01
المؤلف: Weiwei He وآخرون
الموضوع الرئيسي: تقليل النماذج والشبكات العصبية
نظرة عامة
يتناول هذا القسم تطوير إطار عمل لشبكة عصبية متعددة المستويات مستنيرة بالفيزياء (PINN) تهدف إلى معالجة التحديات المرتبطة بحل المعادلات التفاضلية الجزئية من الرتبة العليا في ميكانيكا الهياكل، وخاصة المعادلات غير الخطية من الرتبة الرابعة. يجمع الإطار المقترح بين عدة شبكات عصبية، كل منها مصمم للتعامل مع المعادلات التفاضلية الجزئية من الرتبة الأولى أو الثانية التي تتضمن معلومات فيزيائية متنوعة، بما في ذلك العلاقات الهندسية، والعلاقات الدستورية، وعلاقات التوازن.
تُحسن هذه الطريقة المبتكرة بشكل كبير من الدقة والكفاءة الحاسوبية مقارنة بالشبكات العصبية التقليدية. تشير النتائج إلى أن هذا الإطار متعدد المستويات من PINN يمكن أن يكون أداة تحويلية لحسابات ميكانيكا الهياكل وقد يلعب دورًا حاسمًا في تقدم الحساب الذكي ضمن أنظمة التوأم الرقمي.
الطرق
يستعرض قسم “الطرق” الإجراءات التجريبية والتحليلية المستخدمة في الدراسة. يوضح اختيار المشاركين، وتصميم التجارب، والتقنيات الإحصائية المستخدمة في تحليل البيانات. استخدم الباحثون إطار عمل تجربة عشوائية محكومة لضمان موثوقية نتائجهم، مع إيلاء اهتمام خاص للتحكم في المتغيرات المربكة.
شملت جمع البيانات مقاييس وأدوات موحدة، مما يضمن الاتساق عبر جميع التجارب. تم إجراء التحليل باستخدام برامج إحصائية مناسبة، مع تحديد مستويات الدلالة عند p < 0.05. يصف القسم أيضًا الاعتبارات الأخلاقية التي تم أخذها في الاعتبار، بما في ذلك الموافقة المستنيرة وموافقة الدراسة من قبل لجنة المراجعة المؤسسية. بشكل عام، كانت الطرق المستخدمة قوية، مما سمح بإجراء فحص شامل للأسئلة البحثية المطروحة.
النتائج
في هذا القسم، يقدم المؤلفون نتائج حسابية لهيكل الانحناء، مع التركيز بشكل خاص على هياكل العوارض أحادية البعد المعرضة لأربعة ظروف تحميل متميزة. يتم مقارنة نتائج الشبكة العصبية المستنيرة بالفيزياء المعتمدة على التعلم الآلي (ml-PINN) لتشوه العوارض مع تلك المستمدة من محاكاة طريقة العناصر المحدودة (FEM). تم استخدام ما مجموعه 25 نقطة تجميع موزعة عشوائيًا لتدريب الشبكة العصبية. تكشف الدراسة أن الإزاحات الرأسية المحسوبة بواسطة ml-PINN تتطابق عن كثب مع تلك الناتجة عن FEM، مع خطأ نسبي أقل من 0.5%، مما يشير إلى أن ml-PINN تحقق دقة قابلة للمقارنة مع FEM في نمذجة انحناء العوارض.
بالإضافة إلى ذلك، يوسع المؤلفون تحليلهم ليشمل هياكل القشرة ثنائية الأبعاد، باستخدام 1000 نقطة بيانات داخلية و50 نقطة حدودية للتدريب. تظهر النتائج أن توقعات التشوه من ml-PINN تتماشى عن كثب مع تلك من FEM، على الرغم من ملاحظة بعض التباينات في مناطق الزوايا من القشرة، خاصة تحت ظروف تحميل معينة. تظل الأخطاء النسبية العامة أقل من 2%، مما يوضح أن نموذج ml-PINN يعالج بفعالية مشاكل ميكانيكا الهياكل ثنائية الأبعاد، خاصة في سياق تشوهات انحناء القشرة تحت سيناريوهات تحميل متنوعة.
المناقشة
يعالج إطار العمل المقترح لشبكة عصبية مستنيرة بالفيزياء متعددة المستويات (ml-PINN) التحديات الحاسوبية المرتبطة بحل المعادلات التفاضلية الجزئية من الرتبة العليا (PDEs) في ميكانيكا الهياكل. تستخدم الشبكات العصبية المستنيرة بالفيزياء التقليدية (PINNs) شبكة عصبية واحدة (NN) للتفاضيلات متعددة الرتب، مما قد يؤدي إلى زيادة وقت الحساب وعدم استقرار التقارب. يخفف ml-PINN من هذه المشكلات من خلال استخدام عدة شبكات عصبية، كل منها مخصص للمعادلات التفاضلية الجزئية من الرتبة الأولى أو الثانية، مما يبسط المعادلات الأصلية من الرتبة العليا. يدمج الإطار وظائف الخسارة من كل شبكة عصبية في وظيفة خسارة شاملة، مما يسمح بتدريب فعال وتقارب بينما يحدد مباشرة قيود الحدود داخل الشبكات العصبية الفردية.
تم تطبيق إطار ml-PINN للتنبؤ بالإزاحات الرأسية في هياكل العوارض والقشرة تحت ظروف تحميل متنوعة. من خلال تحليل المعادلات التفاضلية من الرتبة الرابعة الحاكمة إلى مجموعة من المعادلات من الرتبة الأولى، يلتقط النموذج بنجاح العلاقات بين المعلمات الفيزيائية مثل الإزاحة الرأسية، وزوايا المقطع، وعزوم الانحناء. تظهر النتائج أن ml-PINN تحقق تحسينات كبيرة في الدقة، مع تقليل الأخطاء الحاسوبية إلى 0.5% للعوارض و2% للقشور، بينما تقدم أيضًا زيادة بمقدار أربعة أضعاف في سرعة الحساب مقارنة بـ PINNs التقليدية. على الرغم من أن عملية التدريب لا تزال تستغرق وقتًا طويلاً، فإن قدرة ml-PINN على التعميم عبر سيناريوهات تحميل مختلفة تضعه كبديل واعد لطرق العناصر المحدودة التقليدية (FEM)، مما يوفر توقعات سريعة دون الحاجة إلى إعادة معايرة نموذج شاملة.
DOI: https://doi.org/10.1038/s44172-024-00303-3
PMID: https://pubmed.ncbi.nlm.nih.gov/39487342
Publication Date: 2024-11-01
Author(s): Weiwei He et al.
Primary Topic: Model Reduction and Neural Networks
Overview
The section discusses the development of a multi-level physics-informed neural network (PINN) framework aimed at addressing the challenges associated with solving higher-order partial differential equations in structural mechanics, particularly fourth-order nonlinear equations. The proposed framework aggregates multiple neural networks, each designed to handle first-order or second-order partial differential equations that encapsulate various physical information, including geometrical, constitutive, and equilibrium relations.
This innovative approach significantly enhances both accuracy and computational efficiency compared to traditional neural networks. The findings suggest that this multi-level PINN framework could serve as a transformative tool for structural mechanics computations and may play a crucial role in advancing intelligent computation within digital twin systems.
Methods
The “Methods” section outlines the experimental and analytical procedures employed in the study. It details the selection of participants, the design of the experiments, and the statistical techniques used for data analysis. The researchers utilized a randomized controlled trial framework to ensure the reliability of their findings, with specific attention given to the control of confounding variables.
Data collection involved standardized measures and instruments, ensuring consistency across all trials. The analysis was performed using appropriate statistical software, with significance levels set at p < 0.05. The section also describes the ethical considerations taken into account, including informed consent and the approval of the study by an institutional review board. Overall, the methods employed were robust, allowing for a thorough examination of the research questions posed.
Results
In this section, the authors present computational results for bending structures, specifically focusing on 1D beam structures subjected to four distinct loading conditions. The machine learning-based physics-informed neural network (ml-PINN) results for beam deformation are compared with those obtained from finite element method (FEM) simulations. A total of 25 randomly distributed collocation points were utilized for training the neural network. The study reveals that the vertical displacements calculated by ml-PINN closely match those from FEM, with a relative error of less than 0.5%, indicating that ml-PINN achieves comparable accuracy to FEM in modeling beam bending.
Additionally, the authors extend their analysis to 2D shell structures, employing 1000 interior data points and 50 boundary points for training. The results show that the deformation predictions from ml-PINN align closely with those from FEM, although some discrepancies are noted in the corner regions of the shell, particularly under certain loading conditions. The overall relative errors remain below 2%, demonstrating that the ml-PINN model effectively addresses 2D structural mechanics problems, particularly in the context of bending shell deformations under various loading scenarios.
Discussion
The proposed multi-level physics-informed neural network (ml-PINN) framework addresses the computational challenges associated with solving high-order partial differential equations (PDEs) in structural mechanics. Traditional physics-informed neural networks (PINNs) utilize a single neural network (NN) for multi-order differentiations, which can lead to increased computational time and unstable convergence. The ml-PINN mitigates these issues by employing multiple NNs, each dedicated to first-order or second-order PDEs, thereby simplifying the original higher-order equations. The framework integrates loss functions from each NN into a comprehensive loss function, allowing for efficient training and convergence while directly defining boundary constraints within individual NNs.
The ml-PINN framework has been applied to predict vertical displacements in bending beam and shell structures under various loading conditions. By decomposing the governing fourth-order differential equations into a set of first-order equations, the model successfully captures the relationships between physical parameters such as vertical displacement, section angles, and bending moments. The results demonstrate that the ml-PINN achieves significant accuracy improvements, with computational errors reduced to 0.5% for beams and 2% for shells, while also providing a fourfold increase in computation speed compared to classical PINNs. Although the training process remains time-consuming, the ml-PINN’s ability to generalize across different loading scenarios positions it as a promising alternative to traditional finite element methods (FEM), offering rapid predictions without the need for extensive model recalibration.