Interface-Aware Sparse Data Placement for Extended Physics-Informed Neural Networks Applied to Computational Fluid Dynamics and Fluid–Structure Interaction

Technische Samenvatting: Interface-bewuste Verspreiding van Spaarse Data voor Uitgebreide Physics-Informed Neural Networks

Probleemstelling
Het reconstrueren van stromingsvelden uit spaarse metingen (bijv. PIV, in-vivo beeldvorming) is een hardnekkige uitdaging in de toegepaste stromingsmechanica. Hoewel Physics-Informed Neural Networks (PINNs) en hun domein-gedecomposeerde variant, Extended Physics-Informed Neural Networks (XPINNs), een mesh-vrij kader bieden voor het oplossen van partiële differentiaalvergelijkingen (PDE's), kampen ze met specifieke beperkingen bij toepassing op scenario's met spaarse data. Standaard PINNs lijden aan spectrale bias en convergentieproblemen in complexe geometrieën. XPINNs lossen schaalbaarheid op door het domein te deconstrueren in subdomeinen die worden opgelost door onafhankelijke neurale netwerken, gekoppeld via zachte straftermen (soft penalty terms) op de interfaces. De auteurs identificeren echter een kritieke foutmodus: de reconstructiefout in XPINNs concentreert zich disproportioneel bij de interface van de subdomeinen in plaats van bij stromingskenmerken zoals grenslagen of zoggen. Dit komt doordat de zachte strafkoppeling de optimizer in staat stelt om PDE-residuen binnen de subdomeinen te voldoen, terwijl de continuïteit op de grenzen wordt geschonden. Bijgevolg weerspiegelt het foutpatroon de decompositiegeometrie in plaats van de fysica, wat een "zwak punt" creëëert waar de oplossing het minst geconstrueerd is.

Methodologie: Het SPHINX-kader
Om dit aan te pakken, stellen de auteurs SPHINX voor (Sparse Physics-Hybrid Informed Neural eXtension), een strategie voor dataplaatsing die een fractie van het budget voor spaarse metingen toewijst aan de overlapgebieden van de subdomeinen.

• Domeindecompositie: De studie maakt gebruik van een overlappend Schwarz-type decompositie (in tegen tegenstelling tot de niet-overlappende originele XPINN), waardoor regio's ontstaan waarin twee neurale netwerken simultaan actief zijn.
• Dual-Anchoring Mechanisme: De kernhypothese is dat een meting geplaatst in een overlapregio $\Gamma_{ij}$ zorgt voor "dual anchoring" (dubbele verankering). Omdat beide subnetwerken $N_i$ en $N_j$ waarden voorspellen op hetzelfde punt, legt een enkele meting beide netwerken tegelijkertijd vast om de referentiewaarde te matchen en dwingt hen ook om met elkaar overeen te komen. Dit biedt inter-subdomein consistentie door middel van externe data in plaats van uitsluitend te vertrouwen op de zachte strafterm-loss.
• Allocatiestrategie: Gegeven een totaal budget van $N$ spaarse punten, verdeelt SPHINX een fractie $f$ over de interface-overlapregio's en de rest $(1-f)$ uniform door het bulkdomein.
• Gevoeligheidsstudie: Een systematische sweep van $f$ van 0,0 tot 0,5 over vier benchmarks identificeerde $f=0,1$ (10% van de data bij de interfaces) als het optimale werkpunt voor de reconstructie van de $u$-snelheid.
• Implementatie: De methode vereist geen wijzigingen in de netwerkarchitectuur, loss-functie gewichten of trainingsalgoritmen. Het is puur een dataplaatsingsstrategie die compatibel is met bestaande PINN-kaders.

Testgevallen en Experimentele Opzet
Het kader werd gevalideerd op vier benchmarkproblemen variërend in Reynoldsgetallen ($Re$) van 20 tot 10.000 en verschillende geometrieën:

1. Stroom rond een cirkelvormig cilinder ($Re=40$).
2. Stroom over een NACA 0012 profiel ($Re=1.000$, $\alpha=5^\circ$).
3. Stroom over een NACA 0012 profiel ($Re=10.000$, $\alpha=5^\circ$).
4. Turek–Hron FSI1 benchmark ($Re=20$), bestaande uit een cilinder met een vastgekoppelde elastische balk in een kanaal (behandeld als een fluïdum-alleen probleem met voorgeschreven structurele beweging).

Experimenten gebruikten 200 spaarse datapunten (0,4% van het referentiemesh) en werden herhaald met drie onafhankelijke random seeds om statistische variantie te beoordelen.

Belangrijkste Resultaten

• Foutreductie: SPHINX verminderde de relatieve $L_2$-fout in de $u$-snelheid met 86% tot 95% over alle vier de benchmarks vergeleken met baseline XPINNs zonder spaarse data. Bijvoorbeeld, op de NACA 0012 bij $Re=1.000$, daalde de fout van 24,40% naar 1,132%.
• Variantie-instorting: De introductie van interface-bewuste spaarse data deed de run-to-run variantie met één tot twee grootheden instorten. Standaarddeviaties daalden van bereiken van 0,22%–74,41% (baseline) naar onder de 0,04% (SPHINX), wat aangeeft dat spaarse data het optimalisatieproces regulariseert en de gevoeligheid voor willekeurige initialisatie elimineert.
• Variabele Sensitiviteit: Hoewel $f=0,1$ optimaal was voor de $u$-snelheid, varieerde de optimale allocatie voor de $v$-snelheid en druk (vaak hoger, bijv. $f=0,5$ voor de $v$-snelheid in de NACA-gevallen), wat de verschillende fysieke beperkingen reflecteert die deze velden beheersen.
• Vergelijking met RBF: Wanneer vergeleken met Radial Basis Function (RBF) interpolatie met dezelfde datapunten, presteerde SPHINX 2,5 tot 8,2 keer beter dan RBF in de $u$-snelheidsfout. Dit bevestigt dat de winst voortkomt uit de geometrische plaatsing gekoppeld aan het dual-anchoring mechanisme, en niet louter uit de aanwezigheid van extra data.
• Aerodynamische Coëfficiënten: Ondanks dat het een methode voor veldreconstructie is, herstelde SPHINX de weerstand- en liftcoëfficiënten met redelijke nauwkeurigheid (bijv. de weerstandscoëfficiënt binnen ~0,11 absolute verschil), hoewel de fouten meer uitgesproken waren voor lift bij hoge-$Re$ gevallen vanwege de beperkingen van spectrale bias bij het oplossen van fijne drukgradiënten.
• Computationele Kosten: De strategie introduceerde slechts een computationele overhead van 8% ten opzichte van de baseline XPINN-training, aangezien het enkel de evaluatie van de data-loss term bij $N$ punten per iteratie toevoegt.

Betekenis en Claims
Het artikel beweert een interface-bewuste sensorplaatsing te hebben gevestigd als een wetenschappelijk gefundeerd, architectuur-agnostisch principe voor de reconstructie van stromingen met spaarse data. De primaire bijdrage is de identificatie dat de reconstructiefouten van XPINNs structureel verbonden zijn met de decompositiegeometrie (interfaces) in plaats van de stromingsfysica. Door metingen te concentreren waar de zachte koppeling (soft-constraint coupling) het zwakst is, benut SPHINX het "dual-anchoring" effect om consistentie tussen subnetwerken af te dwingen.

De auteurs benadrukken dat deze aanpak de assimilatie van spaarse data transformeert van een uniform bemonsteringsprobleem naar een structureel geleid probleem. De bevindingen suggerteren dat voor domein-gedecomponeerde PINNs de geometrie van de decompositie zelf voorschrijft waar metingen het meest informatief zijn. De strategie wordt gepresenteerd als een goedkope, impactvolle verfijning die de nauwkeurigheid en stabiliteit aanzienlijk verbetert zonder complexe architecturale wijzigingen of het herwegen van loss-functies te vereisen.

Beperkingen
De auteurs merken enkele beperkingen op:

• De optimale allocatieratio ($f=0,1$) is empirisch waargenomen, niet analytisch afgeleid.
• De studie is beperkt tot laminair en laminair-naar-transitief regime; massaal gescheiden of turbulente stromingen zijn niet behandeld.
• De FSI-benchmark behandelde structurele beweging als voorgeschreven; volledig gekoppelde onstabiele FSI met bewegende grenzen blijft toekomstig werk.
• Spaarse data werd getrokken uit referentie CFD-oplossingen, niet uit experimentele metingen met ruis of geometrische beperkingen.