Mass weighting algorithm optimizes Fourier-based physics-informed neural network in adhesive contact mechanics

Technische Samenvatting: Mass Weighting Algoritme voor Fourier-gebaseerde PINNs in Adhesieve Contactmechanica

Probleemstelling
Physics-informed neurale netwerken (PINNs) toegepast op elastische contactmechanica worden geconfronteerd met een fundamentele uitdaging die bekend staat als spectrale stijfheidsimbalans (spectral stiffness imbalance). In problemen van een elastische halfruimte schaalt de elastische kern in de Fourier-ruimte lineair met het golfgetal ($q$). Bij gevolg is het dat kortgolvige (hoge-$q$) vervormingsmodi aanzienlijk hogere elastische energiekosten met zich meebrengen dan langgolvige modi. Wanneer standaard PINNs via gradiëntafdaling worden getraind, zorgt deze onbalans ervoor dat hoogfrequente modi de gradiëntupdates domineren, wat leidt tot het stagneren van de convergentie van macroscopische vervormingsvelden. Dit probleem wordt verergerd in adhesieve contactproblemen waarbij kort-bereik interacties extra hoogfrequente inhoud introduceren. Standaard energie-minimaliserende PINNs falen vaak in het bereiken van machine-nul residuen of produceren onfysische, oscillerende spanningsvelden die gedomineerd worden door hoogfrequente ruis.

Methodologie
De auteurs stellen een Fourier-gebaseerd PINN-framework voor, aangevuld met een spectrale preconditioning strategie genaamd Mass Weighting (MW). De methodologie omvat de volgende kerncomponenten:

1. Energie-minimaliserende Formulering: In tegenstelling tot traditionele PINNs die PDE-residuen balanceren met randvoorwaardestrafpunten, formuleert deze aanpak de leertaak als de minimalisatie van een scalaire totale potentiële energiefunctie ($\Pi$). De totale energie bestaat uit elastische vervormingsenergie ($U_{el}$), externe arbeid ($U_{ext}$) en de interface-interactie-energie ($U_{int}$), gemodelleerd door een Morse-potentiaal.
2. Fourier Feature Mapping: De ruimtelijke coördinaten worden gecodeerd met behulp van Fourier-features om het netwerk in staat te stellen scherpe verplaatsingsgradiënten nabij contactranden te resolveren.
3. Spectrale Preconditioning (Mass Weighting): Voordat de back-propagation plaatsvindt, wordt de gradiënt van de verliesfunctie met betrekking tot het verplaatsingsveld getransformeerd naar de Fourier-ruimte. Deze wordt vervolgens hergewogen door een mass-weighting functie $w(q)$ en een ingebouwd laagdoorlaatfilter $f(q)$:
   • Mass Weighting: $w(q) = \left( \frac{E^* q_{max}/2}{\sqrt{k_0^2 + (qE^*/2)^2}} \right)^\alpha$. Deze functie versterkt laag-golfgetal componenten (macroscopische modi) terwijl hoog-golfgetal bijdragen worden onderdrukt, wat de gradiëntstroom effectief herbalanceert.
   • Laagdoorlaatfilter: $f(q) = \frac{1}{1 + (q/q_c)^\beta}$. Dit onderdrukt sub-grid ruis die niet door de discretisatie kan worden opgelost.
4. Trainingsprotocol: De preconditioner wordt geactiveerd na een "warm-up" fase van 100–200 iteraties met gewone gradiënten. Het netwerk wordt geoptimaliseerd met de Adam-optimizer. De contactspanning wordt teruggewonnen via de inverse Fourier-transformatie van de spectrale spanning-verplaatsingsrelatie, waardoor numerieke differentiatie die gevoelig is voor roostergrootte wordt vermeden.

Belangrijkste Bijdragen

• Identificatie van Spectrale Stijfheid: Het artikel schrijft het falen van de convergentie van energie-gebaseerde PINNs in contactmechanica expliciet toe aan de spectrale stijfheidsimbalans die inherent is aan de elastische operator, in plaats van aan algemene optimalisatieproblemen.
• Mass Weighting Preconditioner: De introductie van een specifieke spectrale preconditioner die in de Fourier-ruimte opereert om de verplaatsingsgradiënten te herwegen. Dit stelt het netwerk in staat om macroscopische vervormingen te leren zonder overweldigd te worden door hoogfrequente ruis.
• Directe Energieminimalisatie: De formulering berust volledig op het minimaliseren van een scalaire energie-functie zonder expliciete Green-functie integratie of kwadratuurregels, maar bereikt toch een nauwkeurigheid die vergelijkbaar is met methoden die dat wel doen.
• Extensie naar Adhesieve Ruwe Oppervlakken: De methode wordt succesvol toegepast op zowel gladde Hertziaanse contacten als fractale ruwe oppervlakken met adhesieve interacties (Morse-potentiaal), waarbij regimes van spanning tot compressie worden gedekt.

Resultaten
De voorgestelde methode is gevalideerd tegenover Green's Function Molecular Dynamics (GFMD) oplossingen, een hoogwaardige benchmark voor contactmechanica.

• Convergentiesnelheid: Voor een benchmark Hertz-contactprobleem bereikte de mass-weighted PINN een machine-nul residu verlies binnen 400 Adam-iteraties. In contrast hiermee stagneerde de ongeconditioneerde (referentie) training bij een verlies van drie ordes van grootte hoger ($\sim 5 \times 10^{-4}$) en slaagde er niet in verder te convergeren.
• Fysische Nauwkeurigheid:
  • Gladde Oppervlakken: De PINN-voorspellingen voor verplaatsing en contactspanning waren ononderscheidbaar van de GFMD-oplossingen over de spanning-, nul-last- en compressieregimes.
  • Ruwe Oppervlakken: Voor fractale ruwe oppervlakken (Hurst-exponent $H=0.5$) legde de methode accuraat de multiscale spanningsstructuur vast, inclus�rotende schaarse asperity-niveau contactpatches bij lage druk en continue spanningsverdelingen bij hoge druk.
• Kwantitatieve Fout: De Normalized Root-Mean-Square Error (NRMSE) voor verplaatsing en spanning bleef onder $10^{-3}$ (typisch $10^{-4}$ tot $10^{-5}$) in alle testgevallen, wat de kwantitatieve consistentie met de GFMD-referentie bevestigt.
• Stabiliteit: Het monitoren van de hoogste-golfgetal Fourier-modus toonde aan dat ongeconditioneerde training leidde tot aanhoudende grote amplitude oscillaties, terwijl de mass-weighted benadering deze modi snel naar nul liet afnemen, wat een stabiel, oscillatievrij spanningsprofiel garandeert.

Betekenis en Claims
De auteurs beweren dat spectrale preconditioning niet slechts nuttig maar noodzakelijk is voor de stabiele convergentie van energie-minimaliserende PINNs in contactmechanica. Zonder dit faalt het netwerk in het leren van de fysisch correcte oplossing vanwege de gradiëntimbalans. Het voorgestelde Mass Weighting algoritme stelt de PINN in staat om:

1. Adhesieve contactproblemen op uniforme real-space roosters op te lossen zonder expliciete Green-functie integratie.
2. Machine-nul residuen en gladde, fysisch correcte spanningsvelden te bereiken op fijne roosters (tot $N_x = 2048$).
3. Robuust te opereren zonder handmatige afstemming van preconditioner-parameters buiten de initiële setup.

Het artikel concludeert dat hoewel de huidige vorm beperkt is tot eendimensionale lijncontact-geometrieën en Morse-potentialen, de Fourier-gebaseerde formulering en de spectrale preconditioner direct generaliseerbaar zijn naar tweedimensionale ruwe oppervlakken en andere gladde interactiepotentialen, wat een schaalbaar alternatief biedt voor traditionele boundary element methoden.