Comparative Study of Bending Analysis using Physics-Informed Neural Networks and Numerical Dynamic Deflection in Perforated nanobeam

要点

想象一个由纳米材料制成的微小、微观跳水板。这并非普通的跳水板；它是一种“穿孔纳米梁”，意味着上面打满了微小的方形孔洞网格，就像一块瑞士奶酪或蕾丝窗帘。工程师使用这些结构，是因为孔洞使结构更轻，但同时也改变了板的刚度和强度。

本文研究的是这种充满微小孔洞的板在受压时如何弯曲。研究人员旨在比较该板弯曲的两种不同方式：

1. 静态弯曲：想象用手指缓慢而轻柔地按压板，直到它停止移动。这就是“静态”状态。
2. 动态挠度：想象板像被拨动的吉他弦一样快速振动或上下弹跳。这就是“动态”状态。

问题：如何预测弯曲？

通常，精确计算结构弯曲程度需要复杂的数学和繁重的计算机模拟。研究人员希望利用一种名为**物理信息神经网络（PINN）**的新型“计算机大脑”，找到一种更快、更智能的方法。

将标准神经网络想象成一名试图通过记忆成千上万个例子来学习的学生。如果你问它一个它从未见过的问题，它可能会猜错。
本文使用的方法（称为带域映射的 FL-TFC）则像是一名被赋予物理规则（弯曲定律）作为严格作业的学生。计算机并非在猜测；它被强制完美地遵循自然法则。它利用一种巧妙的数学技巧，确保答案始终符合边界条件（例如梁的两端保持固定），而无需庞大复杂的计算机架构。

重大发现：“神奇比率”

本文最令人兴奋的发现是他们在“慢速按压”（静态）和“快速振动”（动态）之间发现的一种简单关系。

想象你有一根橡皮筋。如果你缓慢拉伸它，它会拉伸一定的幅度。如果你快速弹动它，它就会振动。研究人员发现，对于这种特定类型的穿孔纳米梁，其振动幅度始终是缓慢按压时弯曲幅度的固定倍数。

• 类比：这就像食谱。如果你知道做小蛋糕需要多少面粉（静态），你就不需要重新烤一整批来知道做大蛋糕（动态）需要多少。你只需将少量乘以“神奇数字”（比率）即可。
• 结果：无论你在梁的哪个位置观察，只要知道静态弯曲量，就可以通过乘以特定常数瞬间计算出动态振动量。这个常数仅在改变设计（如孔洞的大小或数量）时才会变化；一旦设计确定，比率就固定不变。

什么因素改变了弯曲？

该研究还考察了设计变化如何影响板的弯曲：

1. “填充率”（有多少孔？）：

   • 如果孔洞较少（固体材料较多），板更硬。它弯曲得更少。
   • 如果孔洞较多（材料较少），板更软。它弯曲得更多。
   • 类比：实心木板很难弯曲。而一块大部分木材被挖空的木板则非常容易弯曲。

2. “孔洞数量”（N）：

   • 孔洞越多意味着材料越少，即刚度越低。在慢速和快速条件下，板都会弯曲得更多。

3. “非局部参数”（一种隐藏的材料属性）：

   • 这有点像材料的“记忆”。在纳米尺度上，原子会在短距离内相互“交流”。
   • 令人惊讶的转折：当这种“记忆”效应增强时，板在缓慢按压（静态）下实际上弯曲得更多，但在振动（动态）时弯曲得更少。仿佛材料对缓慢推力变得“更软”，而对快速震动变得“更硬”。

这为何重要？

研究人员不仅解决了一个数学问题，还找到了一条捷径。由于慢速弯曲与快速振动之间的关系是一个恒定比率，工程师无需运行两次独立且昂贵的计算机模拟。他们可以使用这种新的快速方法计算静态弯曲，然后只需乘以那个“神奇比率”，就能瞬间得知动态振动将如何表现。

简而言之，他们为这种充满微小孔洞的梁构建了一个更智能、更快速的计算器，并发现它们的晃动方式与其下垂方式直接且简单地相互关联。

技术摘要

以下是论文《穿孔纳米梁中基于物理信息神经网络与数值动态挠度的弯曲分析比较研究》的详细技术总结。

1. 问题陈述

本研究探讨了受正弦载荷作用的穿孔纳米梁的力学行为。穿孔梁（带有规则间距孔洞的梁）因其能在保持结构完整性的同时减轻重量，在微纳尺度工程应用中至关重要。然而，孔洞的存在会改变结构的刚度、质量分布和转动惯量。

本研究的主要目标包括：

• 分析简支（S-S）穿孔纳米梁的静态弯曲挠度和动态挠度。
• 研究这两种挠度类型在不同参数下的关系：填充率（$\alpha$）、孔行数（$N$）以及非局部参数（$\bar{\alpha}$）（通过埃ringen 非局部理论考虑尺寸效应）。
• 提出一种计算高效的求解控制微分方程（DEs）的方法，该方法避免深度神经网络的复杂性，同时严格满足边界条件。

2. 方法论

作者采用混合方法，利用两种不同的数值方法分别进行静态和动态分析，并将其统一在特定的理论框架下。

A. 控制方程

• 静态情况： 基于欧拉 - 伯努利梁理论和埃ringen 非局部弹性理论。控制四阶微分方程包含了针对穿孔修正后的有效弯曲刚度 $[EI]_{eq}$ 和有效质量 $[\rho A]_{eq}$。
• 动态情况： 求解描述动态行为的高阶微分方程，以获得频率参数（$\lambda$）和一阶模态振型。

B. 求解技术

1. 静态挠度：FL-TFC 结合域映射

   • 框架： 作者使用了函数连接理论（TFC）结合函数链接神经网络（FLNN）。
   • 约束嵌入： 与标准物理信息神经网络（PINNs）在损失函数中惩罚边界条件不同，TFC 构建了一个约束表达式（CE）。该表达式在数学上保证了解在任何自由函数选择下都能精确满足所有初始条件和边界条件（ICs/BCs）。
   • 域映射： 物理域 $[0, 1]$ 被映射到切比雪夫多项式的标准区间 $[-1, 1]$。输入特征使用 14 阶切比雪夫多项式进行扩展，以有效捕捉非线性。
   • 优化： CE 中的自由函数由 FLNN 近似。网络通过最小化控制微分方程的均方残差进行训练，使用 L-BFGS 优化器。这种方法消除了对深层复杂网络架构的需求。

2. 动态挠度：伽辽金法

   • 动态控制方程使用经典的伽辽金法求解，以确定频率参数和相应的动态挠度分布。

3. 主要贡献

• 新颖的混合框架： 本文引入了一种带有域映射的物理信息函数链接约束框架（DFL-TFC）。该方法通过使用浅层 FLNN 并在解析层面而非数值层面嵌入约束，被强调为比标准深度 PINNs 计算效率更高。
• 恒定比率的发现： 最重要的发现是确立了静态挠度与动态挠度之间的恒定比例关系。对于固定的 $\alpha$、$N$ 和 $\bar{\alpha}$ 值，动态挠度与静态挠度的比率（$\frac{W_{dynamic}}{W_{static}}$）在整个梁域（$X \in (0, 1)$）内保持恒定。
• 参数分析： 本研究全面分析了几何参数和非局部参数如何影响纳米梁行为，并为各种配置提供了具体的数值常数。

4. 关键结果与发现

A. 验证

• FL-TFC 方法实现了 $10^{-11}$ 的均方残差损失，证明了其在静态问题中的高精度和快速收敛性。
• 用于动态挠度的伽辽金法在 $n \geq 10$ 时收敛（其中 $n$ 是展开项数），最终分析选定 $n=14$。

B. 参数影响

1. 填充率（$\alpha$）：
   • 随着 $\alpha$ 增加（意味着更多实体材料，更少孔洞），有效刚度增加。
   • 结果： 静态和动态挠度均减小。
2. 孔数（$N$）：
   • 随着 $N$ 增加，移除的材料增多，结构刚度降低。
   • 结果： 静态和动态挠度均增加。
3. 非局部参数（$\bar{\alpha}$）：
   • 静态情况： $\bar{\alpha}$ 的增加导致有效刚度降低，引起静态挠度增加。
   • 动态情况： 相反，$\bar{\alpha}$ 的增加导致动态挠度减小。

C. 恒定比率现象

研究证实，对于任何固定的参数集（$\alpha, N, \bar{\alpha}$），静态和动态情况的挠度分布在几何上是相似的（形状相同），仅相差一个缩放因子。

• 示例： 对于 $\alpha=0.3, N=1$，比率恒定为 90.6711。
• 示例： 对于 $\alpha=0.5, N=2$，比率恒定为 78.1092。
  这意味着一旦已知静态挠度，动态挠度只需乘以该恒定比率即可预测，反之亦然。

5. 意义

• 计算效率： 提出的 FL-TFC 方法为基于深度学习的 PINNs 提供了一种稳健的替代方案。它利用更简单的网络架构和严格的边界条件满足，实现了高精度，减少了训练时间和复杂性。
• 预测能力： 发现静态与动态响应之间的恒定比率简化了穿孔纳米梁的设计和分析。工程师可以从静态分析推导动态特性（或反之），而无需为每种新配置求解复杂的动态方程。
• 设计优化： 详细的参数表和发现结果为航空航天、土木和微机电系统（MEMS）中的纳米梁设计优化提供了参考，在这些领域中，减重（通过穿孔）和尺寸效应（非局部性）至关重要。

总之，该论文成功弥合了先进机器学习技术（TFC/FLNN）与经典结构力学之间的差距，为分析复杂纳米结构的弯曲行为提供了一种新的、高效的工具。