Critical evaluation of PINN for FWD inverse analysis and differentiable FEM as an alternative

Résumé Technique : Évaluation Critique des PINN pour l'Analyse Inverse FWD et le FEM Différentiable comme Alternative

Énoncé du Problème
Le Déflectomètre à Choc (FWD - Falling Weight Deflectometer) est un dispositif standard pour l'évaluation structurelle non destructive des systèmes de chaussées. Le problème inverse central consiste à rétro-calculer les modules d'élasticité ($E$) des couches à partir des bassins de déflexion de surface mesurés. Les méthodes traditionnelles basées sur le gradient (par exemple, EVERCALC) reposent sur des approximations par différences finies (FD) pour calculer les gradients. Ces approches souffrent d'une faible scalabilité, nécessitant $N+1$ simulations directes par itération pour $N$ modules inconnus, et introduisent des erreurs de troncature sensibles aux tailles de pas de perturbation.

Bien que la Différenciation Automatique (AD) offre une alternative rigoureuse pour le calcul exact des gradients, son application au rétro-calcul FWD est restée largement inexplorée. Plus précisément, l'applicabilité des Réseaux de Neurones Informés par la Physique (PINN) — qui intègrent les équations régissantes comme des contraintes souples dans une fonction de perte — aux systèmes de chaussées multicouches reste incertaine. Les systèmes de chaussées présentent des discontinuités de module abruptes aux interfaces des couches, ce qui pose des défis pour les PINN standards en raison du « biais spectral » (la tendance à apprendre les composantes de basse fréquence au détriment des transitions nettes). Cette étude évalue de manière critique si les approches basées sur les PINN peuvent résoudre de manière fiable ce problème inverse et étudie le FEM Différentiable (DiffFEM) comme une alternative physiquement native.

Méthodologie
L'étude utilise un benchmark synthétique basé sur un système de chaussée axisymétrique à trois couches (Surface, Base, Subgrade/Sous-couche) sous chargement quasi-statique. Le problème inverse est formulé comme la minimisation de l'erreur quadratique moyenne entre les déplacements prédits et observés. Trois approches sont comparées :

1. Vanilla PINN : Un réseau de neurones entièrement connecté prédit le champ de déplacement à travers tout le domaine. Les équations régissantes (équilibre nodal) et les conditions aux limites sont imposées via des termes de pénalité souples dans la fonction de perte.
2. Extended PINN (XPINN) : Pour traiter le problème de la discontinuité, le domaine est décomposé. Chaque couche de la chaussée se voit assigner un sous-réseau dédié. La continuité du déplacement aux interfaces est imposée comme une contrainte souple (terme de perte), tandis que l'équilibre est imposé via une perte de résidu physique.
3. FEM Différentiable (DiffFEM) : Le solveur direct de la Méthode des Éléments Finis (FEM) standard est intégré dans un cadre d'AD (PyTorch). La matrice de rigidité globale est construite comme une combinaison linéaire de matrices spécifiques à chaque couche. Le système linéaire est résolu avec une précision machine à chaque itération, imposant les équations régissantes comme des contraintes « dures ». Les gradients de la perte par rapport aux modules sont calculés via un seul passage arrière (backward pass) en mode inverse de l'AD.

Tous les méthodes utilisent l'optimiseur L-BFGS. L'étude évalue systématiquement les performances dans des conditions sans bruit et sous des niveaux variables de bruit de mesure ($\sigma_n \in \{0, 1, 2, 3, 4, 5\} \mu m$), tout en analysant également la sensibilité aux hyperparamètres (poids de la perte, architecture du réseau) et au coût computationnel.

Contributions Clés

• Évaluation Critique des PINN pour le FWD : L'étude démontre que les PINN standards échouent à récupérer les modules des couches dans les systèmes multicouches en raison du biais spectral et des discontinuités matérielles abruptes.
• Analyse de Sensibilité aux Hyperparamètres : Elle révèle que même la formulation améliorée XPINN est hautement sensible au réglage des poids de la perte et à l'architecture du réseau. L'obtention d'une précision raisonnable nécessite un réglage extensif et spécifique au problème, et les performances se dégradent considérablement sous l'effet du bruit de mesure.
• Le DiffFEM comme une Alternative Supérieure : L'article établit le DiffFEM comme une alternative robuste qui impose la physique sous forme de contraintes dures. Il démontre que le DiffFEM atteint une précision de l'ordre de la machine dans les scénarios sans bruit et maintient sa stabilité sous le bruit, surpassant l'XPINN en précision, en robustesse et en efficacité computationnelle.
• Cadre Comparatif : L'étude fournit une comparaison structurelle soulignant que le DiffFEM optimise uniquement les paramètres physiques, alors que les PINN doivent optimiser conjointement les paramètres physiques et des dizaines de milliers de poids de réseaux, complexifiant ainsi le paysage de la perte.

Résultats

• Performance Sans Bruit :
  • DiffFEM : A convergé en environ 40 itérations (environ 60 secondes) avec des erreurs relatives dans les modules de l'ordre de $10^{-9}$ à $10^{-10}$.
  • XPINN : A nécessité environ 400 000 itérations (environ 10 heures) et a plafonné avec des erreurs relatives de -1,1 % à -6,9 %. Le résidu physique a stagné, indiquant que les équations régissantes n'étaient pas strictement satisfaites.
  • Vanilla PINN : A totalement échoué, convergeant vers des valeurs de module arbitraires quel que soit le niveau de bruit.
• Performance Avec Bruit ($\sigma_n = 1 \mu m$ et $5 \mu m$) :
  • DiffFEM : A montré une dégradation progressive. À $\sigma_n = 5 \mu m$, les erreurs restaient limitées (max 14 % pour la surface, 0,11 % pour la sous-couche).
  • XPINN : A présenté un échec catastrophique. À $\sigma_n = 1 \mu m$, il a convergé vers des modules incorrects (par exemple, le module de la sous-couche s'est effondré à zéro) malgré une faible perte de données, indiquant que le réseau a trouvé une solution qui s'ajustait aux données bruitées mais violait l'équilibre global. À $\sigma_n = 5 \mu m$, les erreurs dépassaient 390 % pour la couche de base.
• Efficacité Computationnelle : Le DiffFEM était plus de deux ordres de grandeur plus rapide que l'XPINN (60s contre 10h) sur un matériel identique, malgré une utilisation de mémoire similaire.

Signification et Revendications
L'article conclut que pour le rétro-calcul FWD dans les systèmes élastiques stratifiés, le DiffFEM est un choix plus fiable et plus efficace que les approches basées sur les PINN.

Les auteurs soutiennent que la supériorité du DiffFEM provient de son imposition des équations régissantes comme des contraintes dures via le solveur FEM, plutôt que comme des pénalités souples dans une fonction de perte. Cela permet au DiffFEM de se concentrer uniquement sur l'optimisation des paramètres physiques, évitant ainsi les paysages de perte complexes et la sensibilité aux hyperparamètres inhérents aux PINN.

L'étude suggère une directive pratique : lorsqu'un solveur direct est bien établi, numériquement stable et amenable à la différenciation (comme c'est le cas pour les systèmes élastiques linéaires stratifiés), les formulations d'AD à physique native (DiffFEM) doivent être privilégiées. Les PINN restent une option viable uniquement lorsque les solveurs directs différentiables ne sont pas disponibles, sont difficiles à implémenter, ou lorsque le problème implique des composants non différentiables (par exemple, des algorithmes de contact complexes, un pas de temps adaptatif dans des problèmes dynamiques) où les formulations sans maillage pourraient offrir des avantages. Les auteurs mettent en garde contre l'application non critique des PINN à des problèmes inverses où des solveurs différentiables efficaces existent.