Physics-informed neural networks for form-finding of unilateral membrane structures

기술 요약: 일측 막 구조물의 형상 찾기를 위한 물리 정보 신경망

문제 제기
일측 막 구조물(압축력만 또는 인장력만 지지하는 구조물) 의 형상 찾기는 전통적으로 유한요소법 (FEM) 을 사용하여 평형 방정식을 풀어서 해결해 왔습니다. 이러한 방법들은 기하학적 이산화에 의존하며, 메쉬 생성, 행렬 조립, 그리고 이산 대수 시스템의 해를 구하는 과정을 필요로 합니다. 효과적이기는 하나, 이러한 과정들은 특히 미분기하학 공식화와 로킹 (locking) 방지에 관하여 기술적으로 섬세할 수 있습니다. 본 논문은 막 평형 해석 (MEA) 의 지배 방정식을 풀기 위한 메쉬 없는 대안으로서 물리 정보 신경망 (PINNs) 을 조사합니다. 구체적인 문제는 압축력만 또는 인장력만과 같은 지정된 응력 상태 및 경계 조건 하에서 2 차 타원형 편미분 방정식 (PDE) 을 만족하는 추력 막의 표면 높이 $f(x_1, x_2)$를 찾는 것입니다.

방법론
본 연구는 형상 찾기 문제를 에어리 응력 함수 (ASF) 에서 유도된 PDE 의 해로 공식화합니다. 에어리 응력 함수 $\Phi(x_1, x_2)$는 투영된 응력을 정의하여 응력 상태가 부호 결정적 (압축의 경우 오목, 인장의 경우 볼록) 으로 유지되도록 합니다. 지배 방정식은 이러한 응력을 수직 및 수평 하중 성분과 결합하여 막 표면 높이를 결정합니다.

저자들은 $f(x_1, x_2)$ 해를 근사하기 위해 두 가지 다른 PINN 공식을 제안하고 비교합니다:

1. 연성 경계 조건 (Soft-BC) 접근법:

   • 신경망 출력은 직접 막 높이를 근사합니다.
   • 경계 조건은 손실 함수에 추가된 페널티 항을 통해 근사적으로 강제됩니다.
   • 총 손실은 PDE 잔차와 경계 오차의 가중 합입니다.
   • 적응형 손실 가중치 (ReLoBRaLo) 가 훈련 중 이러한 항들을 균형 있게 조정하는 데 사용됩니다.

2. 강성 경계 조건 (Hard-BC) 접근법:

   • 시험 함수는 구성상 디리클레 경계 조건을 정확히 만족하도록 해석적으로 구성됩니다.
   • 해는 $f_{hard}(\mathbf{x}) = D(\mathbf{x}) \mathcal{N}_\theta(\mathbf{x}) + G(\mathbf{x})$로 정의되며, 여기서 $D(\mathbf{x})$는 경계에서 소멸하는 거리 유사 함수이고, $G(\mathbf{x})$는 경계 데이터를 만족하는 조화 리프트 함수입니다.
   • 결과적으로 손실 함수는 PDE 잔차로만 구성되며, 경계 페널티 가중치를 조정할 필요가 없습니다.

두 공식 모두 $C^2$ 매끄러움을 위해 선택된 GELU 활성화 함수를 가진 완전 연결 순방향 신경망을 사용하며, 초기 Adam 최적화 단계 followed by L-BFGS 정련을 따르는 2 단계 훈련 프로토콜을 따릅니다. 콜로케이션 포인트는 특정 위치에 과적합되는 것을 방지하기 위해 주기적으로 재표본 추출됩니다.

사례 연구
이 방법들은 세 가지 기하학적으로 복잡한 영역에 걸쳐 FEniCSx(유한요소 기반 PDE 솔버) 에 대해 벤치마크되었습니다:

1. 자중, 집중 하중, 그리고 준정적 수평 작용을 가진 직사각형 영역 (압축력만).
2. 자중과 수평 작용을 가진 3 다리 환형 영역 (압축력만).
3. 자중, 집중 하중, 그리고 수평 작용을 가진 4 다리 영역 (인장력만).

주요 결과

• 정확도: 두 공식 모두 FEM 기준 해와 밀접하게 일치하는 막 표면을 생성했습니다.
  • 연성 경계 조건 (Soft-BC) 접근법은 모든 경우에 대해 0.12% 미만의 상대 $L_2$ 오차를 달성했습니다. 그러나 오차는 페널티 기반 강제의 알려진 아티팩트인 경계 근처에 집중되었습니다.
  • 강성 경계 조건 (Hard-BC) 접근법은 3 다리 영역에서 0.002%, 4 다리 영역에서 0.003% 로 상대 $L_2$ 오차가 0.002% 까지 낮아지는 등 훨씬 더 낮은 오차를 보였습니다. 오차 분포는 더 매끄러웠으며 경계 집중 스파이크가 없었습니다.
• 수렴성: 강성 경계 조건 공식은 기준 해로 더 빠르게 수렴했습니다. 경계 페널티 항을 제거함으로써 최적화 목적 함수가 단일 (PDE 잔차만) 이 되어 훈련 초기 단계에서 RMSE 가 더 빠르게 감소합니다.
• 잔차 검증: 두 방법 모두 내부 영역에서 적용된 하중보다 몇 차수 작은 PDE 잔차로 지배 평형 방정식을 높은 정확도로 만족했습니다.

의의 및 주장
본 논문은 PINNs 가 MEA 기반 형상 찾기를 위한 실행 가능한 메쉬 없는 수치적 대안임을 보여줍니다. 본 연구는 모든 구조 해석에 대해 FEM 을 대체한다고 주장하지는 않지만, 형상 찾기 문제에 대한 특정 장점을 강조합니다:

• 강성 경계 조건 (Hard-BC) 의 우위성: 거리 및 리프트 함수를 통한 디리클레 조건의 정확한 처리는 전체 해의 정확도를 직접적으로 향상시키고 경계 국소화 오차를 제거합니다. 경계 프로파일이 정확히 만족되어야 하고 최대 정확도가 요구될 때 선호되는 접근법입니다.
• 연성 경계 조건 (Soft-BC) 의 유용성: 약간 낮은 정확도에도 불구하고, 연성 경계 조건 공식은 탐색적 설계에 매력적입니다. 복잡한 기하학의 경우 비자명할 수 있는 거리 및 리프트 함수의 해석적 구성을 필요로 하지 않는 더 간단한 구현을 제공합니다. 달성된 정확도는 경계 데이터의 제한된 완화가 허용되는 구조적 응용 (예: 예비 설계 또는 석조 보의 한계 해석) 에는 충분하다고 간주됩니다.

저자들은 연성 및 강성 강제 사이의 선택이 경계 정밀도와 구현 복잡성에 관한 구체적인 구조 문제의 요구 사항에 달려 있다고 결론지었습니다. 향후 작업은 이러한 접근법을 더 풍부한 에어리 응력 함수 파라미터화 및 광범위한 최적화 절차로 확장하는 것이 제안됩니다.