May, 2020

基于物理学的神经网络用于超声无损检测表面裂纹的定量化

PDF
TL;DR本研究介绍了一种优化的物理信息神经网络 (PINN)，使用超声表面波数据识别和表征金属板中的表面裂纹，并展示了自适应激活函数的使用显著提高了收敛速度和准确性。研究结果表明该模型有望成为解决病态反问题的有效深度学习模型。
physics-informed neural networkultrasonic surface wave dataadaptive activation functionspeed of soundmetal crack identification
发现论文，激发创造
  • 应用迁移学习增强的物理知识神经网络用于断裂的相场建模

    本文提出一种基于物理知识的神经网络（PINN）算法，通过最小化系统的变分能量来求解脆性断裂问题，同时对神经网络输出进行修改以满足边界条件并采用迭代学习模式。通过在四个断裂力学问题上的验证，证明了该方法相对于常规的残差 PINN 算法具有更好的准确性和相对简单鲁棒的重要优势。

    Jul, 2019

  • 用物理信息指导的神经网络（PINNs）进行波传播和完全波形反演

    通过基于物理学知识的神经网络（PINNs）方法对二维声波方程进行求解和全波形反演（FWI）问题进行研究，证明其在处理不同结构复杂度的情况下表现出良好的结果，不仅适用于地震学领域，而且可以处理其他地球物理学数据集以及联合反演等问题，拓展了地球物理学反演研究的新途径。

    Aug, 2021

  • 半无限层状域地震波反演的物理知识驱动神经网络

    本文提出一种基于物理信息神经网络（PINN）的地震波反演框架，以求解半无限域的介质分布问题。通过设计轻量网络学习未知介质分布和深度神经网络近似求解变量来验证该方法的有效性。

    May, 2023

  • 应用感知式无网格动力学的深度学习模型进行脆性损伤预测

    本研究提出了一种将弹性力学理论与 PINN 相结合的新方法，用于预测脆性材料中的准静态损伤和裂纹传播。通过将线性化的弹性力学方程强制加到 PINN 的基于残差的损失函数中，实现了高预测准确性和收敛速率。通过监测训练过程中损失函数的行为，对所提出的 PD-INN 模型的性能进行评估，并通过与 PD 直接数值方法和扩展有限元方法获得的结果进行验证。我们的结果表明，这种非局部 PDINN 能够准确高效地预测损伤和裂纹的传播。

    Oct, 2023

  • 利用物理信息的神经网络和硬性约束进行微震源成像

    本论文提出了一种基于物理信息神经网络 (PINNs) 的直接微震成像框架，可以处理非常稀疏的记录数据并生成聚焦的源图像，以解决数据稀疏性导致的混淆问题，并使用多频率波场和倒数傅里叶变换来提取源图像，并引入因果损失以提高 PINNs 的收敛性，针对 Overthrust 模型和液压压裂现场数据进行数值实验，证明该方法可以正确成像单个或多个源。

    Apr, 2023

  • 基于物理信息的速率和状态故障摩擦的深度学习

    本文使用物理约束力学知识和机器学习方法开发了一种多网络的物理信息神经网络（PINN），用于模拟地震运动和推断地震断裂参数，以评估地震灾害。

    Dec, 2023

  • 软组织非线性生物力学模型中的物质特性基于物理知识的神经网络估计

    基于物理信息神经网络（PINNs）与三维柔性组织非线性生物力学模型的结合，本研究提出了一种新的方法，能够重建位移场并估算异质病人个体的生物物理特性，通过在临床环境中常规获取的有限位移和应变数据，结合问题的物理性质和偏微分方程的数学模型，提高问题的稳定性和收敛性能，进而在疾病诊断等方面发展个性化的模拟模型，并演示了 PINN 能够检测瘢痕组织的存在、位置和严重程度的能力。

    Dec, 2023

  • 物理启发的神经网络用于纳米光学和超材料反问题

    本文介绍如何应用物理信息神经网络（PINNs）求解光子超材料和纳米光学技术中的逆散射问题，并成功应用于多组分纳米粒子等多种散射系统的介电常数参数反演，从而拓展超材料的设计空间和功能。

    Dec, 2019

  • 物理信息神经网络在复合材料 - 工具系统制造中热化学固化过程建模中的应用

    本研究提出一种基于物理知识约束的神经网络（PINN），用于模拟复合材料在固化炉中的热化学演变，并且该网络能有效地求解包括传热和树脂固化动力学等方程组。在 PINN 中，为了解决热传导和树脂固化行为的差异，设计了由两个不连通子网络组成。此外，还采用了一种对 PDE、边界、界面和初始条件自适应调整损失项权重的技术。最后，我们证明了 PINN 可用于实时模拟材料不同厚度和热边界条件下的多种场景，并且可以使用迁移学习来显著减少解决类似问题的训练时间。

    Nov, 2020

  • 基于输运方程的物理信息神经网络预测构型材料的屈服强度

    研究探讨了物理信息神经网络（PINN）模型在解决基于输运方程的偏微分方程（PDEs）方面的应用，主要目的是分析在 PINN 模型中不同激活函数对其预测性能的影响，特别是均方误差（MSE）和平均绝对误差（MAE）的评估。研究使用的数据集包含与支柱直径、单元格尺寸以及相应屈服应力值相关的各种输入参数。研究的结果表明，对于这个特定问题，激活函数的选择可能对模型的预测准确性产生较小的影响。PINN 模型展示了出色的泛化能力，表明其能够避免与提供的数据集过度拟合。研究强调了在选择特定实际应用的激活函数时，在性能和计算效率之间取得平衡的重要性。这些宝贵的发现有助于推动 PINN 作为解决各种科学和工程领域中具有挑战性的 PDEs 的有效工具的理解和潜在应用。

    Jul, 2023