Finite-PINN：一种用于固体力学的具有有限几何编码的物理信息神经网络

Finite-PINN: A physics-informed neural network with finite geometric encoding for solid mechanics

第一作者单位: 帝国理工大学

DOI: https://doi.org/10.1016/j.jmps.2025.106222

✅ 第一层：原文精粹

摘要

物理信息神经网络（PINN）模型已展示出解决流体PDE问题的能力，其在固体力学中的应用潜力初显。本研究识别了使用PINN求解一般固体力学问题的两大挑战：

1. 无限域冲突：PINN在无限域上生成解，与固体结构的有限边界矛盾。
2. 欧氏空间局限性：PINN的欧氏解空间不足以处理固体结构的复杂几何形状。 本文提出Finite-PINN架构，通过有限几何编码将解空间从欧氏空间转换为混合欧氏-拓扑空间。模型采用强形式与弱形式损失，适用于固体力学的正/反问题：

• 正向问题：在预处理几何信息后高效逼近解。
• 逆向问题：通过物理定律和几何信息嵌入，从稀疏观测中重构全场解。

结论

Finite-PINN通过融入有限元法（FEM）的核心特性（如有限域和拓扑空间表示），解决了传统PINN在固体力学中的两大挑战：

1. 自由边界条件自动满足：通过拉普拉斯-贝尔特拉米算子（LBO）特征函数隐式处理自由边界。
2. 几何拓扑融合：输入空间结合欧氏坐标与LBO基函数，形成混合空间以高效建模复杂几何。 案例验证（1D波动、2D孔板、3D弹簧等）表明：

• 强形式模型在逆向问题（如载荷识别）中表现优异。
• 弱形式模型在正向问题中收敛更快。 局限性包括离线计算LBO函数的额外成本，以及逆向问题中边界位置未知时的精度下降。

核心方法总结

1. 几何编码：利用LBO特征函数（ ）将欧氏坐标扩展为混合输入空间（ ），引入拓扑距离以处理几何不连续性。
2. 双网络架构（强形式）：
• 应力网络： （ 由神经网络预测）。
• 位移网络： 。
3. 损失函数设计：
• 强形式：联合优化PDE残差、本构关系、边界条件和数据损失。
• 弱形式：基于能量泛函的最小化，自动满足Neumann边界条件。
4. 离线/在线阶段：
• 离线：预计算LBO函数及其导数（通过FEM或RBF方法）。
• 在线：训练神经网络解决具体力学问题。

✅ 第二层：全局洞察

研究图景

结构导图

总览表格

✅ 第三层：理论基石

核心理论讲解

有限元法（FEM）基础：

• 核心思想：将连续域离散为有限单元，通过节点插值近似场变量（如位移 ）。
• 刚度矩阵： ，其中 由单元刚度矩阵组装，嵌入几何拓扑（节点连接关系）。
• 优势：天然处理有限边界，自由表面无需显式约束（隐式满足 ）。

物理信息神经网络（PINN）基础：

• 架构：多层感知机（MLP）逼近解函数 ，输入为坐标 ，输出为场变量。
• 损失函数：
• 强形式：PDE残差 + 边界条件（如式2： ）。
• 弱形式：能量泛函最小化（如式7： ）。

拉普拉斯-贝尔特拉米算子（LBO）：

• 定义： （式3），特征函数 在域 上正交，构成Hilbert空间基。
• 物理意义：特征值 反映结构“振动模式”，特征函数 编码几何拓扑（如Fiedler向量描述连通性）。

关键术语深究:

公式与原理

1. 线性弹性PDE：
• 物理背景：平衡方程描述内力（应力 ）与外力平衡，本构关系联系应力与应变（ ）。
• 推导：由牛顿第二定律在静态假设下简化（ ）。

2. LBO特征函数：
• 几何意义： 在复杂域上定义“振动模式”，特征值 升序排列对应不同频率。

直观类比

• FEM网格 vs LBO基函数： FEM网格像城市地图（节点=路口，单元=街区），LBO基函数像“引力场线”：两点间最短路径（测地线）由场线密度表示，替代欧氏直线距离。
• 混合输入空间： 类似GPS坐标（欧氏）叠加地铁线路图（拓扑），导航时优先选择地铁可达路径（测地距离优先）。

✅ 第四层：数理模型与算法逻辑

数学模型全解

1. 强形式Finite-PINN：

• ：神经网络 输出，输入为坐标 和 个LBO基函数。
• ：神经网络 输出（维数：空间维×LBO基数量 ）。
• ：LBO函数导数，单位无量纲。
• 应力场：
• 位移场：

2. 弱形式Finite-PINN：

• ：应变能密度，单位为 。
• ：外力功，单位为 。
• 能量泛函：

算法逻辑流程

强形式Finite-PINN训练流程：

1. 输入：坐标 ，LBO基函数 （预计算）。
2. 前向传播：
3. 损失计算：
• ：监督数据（位移/应力）的MSE。
• ：Dirichlet/Neumann边界条件残差。
• ：平衡方程 。
• ：本构关系 。
4. 反向传播：通过链式法则计算 （ 为网络参数）。
5. 优化更新：Adam优化器更新 。

流程图示意：

耦合机制

• 前处理式耦合：离线阶段用FEM计算LBO基函数（几何编码），在线阶段作为NN输入。
• 残差强制耦合：强形式中，PDE残差 和本构残差 共同约束解满足物理定律。

✅ 第五层：工程实现与数据流

数据生命周期图

数据流详解

技术栈说明

✅ 第六层：结果验证与图表解读

典型图表解析

图4：自由边界处理机制对比

• 图表目的：揭示FEM与PINN在动态问题中处理自由边界的本质差异，验证论文提出的挑战1（无限域冲突）。
• 内容描述： (a) FEM求解1D杆件脉冲响应：右端自由边界产生反射波（波动在边界处折返），符合物理现实。 (b) 传统PINN（无自由边界约束）：波动在右端无反射（能量直接消散），暗示解定义于无限域。 (c) 传统PINN（添加自由边界损失）：显式添加   损失后，重现反射现象。
• 结论提炼：PINN的无限域本质要求显式定义自由边界条件（如  ），否则无法捕获有限结构的边界效应。
• 逻辑支撑： 直接证实挑战1——固体结构的有限边界与PINN无限域假设冲突。Finite-PINN通过LBO基函数自动满足自由边界，取消显式损失项，从根本上解决该问题。

图5：欧氏空间局限性案例

• 图表目的：展示传统PINN在欧氏输入空间下的几何不适应性，支撑挑战2的提出。
• 内容描述： (a) FEM参考解：开槽结构受拉时，槽口处应力集中导致位移场突变。 (b) 纯MLP学习结果（无物理约束）：槽口区域出现显著误差（ 30%），无法捕捉局部不连续性。
• 结论提炼：欧氏空间中的距离度量（直线距离）无法表达拓扑连接关系，导致神经网络在几何奇异点（如凹口）失效。
• 逻辑支撑： 验证挑战2——欧氏空间不适用于固体力学复杂几何。Finite-PINN引入LBO基函数，将输入空间扩展为欧氏-拓扑混合空间（式5），使网络优先学习测地距离关系，提升槽口等敏感区域精度。

图11：1D波动问题验证

• 图表目的：对比Finite-PINN与传统方法在动态问题中的边界处理效率。
• 内容描述： 1D杆件左端受脉冲激励，右端自由。对比FEM、传统PINN与Finite-PINN的位移响应：
• FEM：标准反射波（基准解）。
• 传统PINN：需添加   才出现边界反射。
• Finite-PINN：无需显式边界约束，自动生成反射波（ 误差0.003），收敛速度提升3倍。
• 结论提炼：Finite-PINN内嵌自由边界条件（Remark 1），避免优化多任务损失冲突，加速收敛精度提升。
• 逻辑支撑： 体现创新点1价值：自动满足自由边界特性，简化训练流程，解决传统PINN的调权难题。

图26：开槽结构稀疏重建

• 图表目的：验证Finite-PINN在极端稀疏数据下的逆问题求解能力。
• 内容描述： (a) FEM参考解：开槽结构在边界载荷下的全场位移。 (b) 传统PINN（仅10个位移观测点）：预测结果严重失真（ 误差>1.0），凹口处完全失效。 (c) Finite-PINN同条件训练：全场位移高精度重建（ 误差<0.001），槽口细节高度还原。
• 结论提炼：混合输入空间（欧氏+拓扑）使神经网络在少量数据下感知几何结构，突破传统PINN的泛化瓶颈。
• 逻辑支撑： 凸显创新点2价值：LBO基函数的拓扑编码提供几何先验知识，在数据匮乏场景下保持物理解合理性。

✅ 第七层：思维洞察

隐含假设

1. 材料理想化：所有案例假设线弹性（ ），未涉及塑性或损伤。
2. 小变形假设：位移梯度 极小，几何非线性被忽略。
3. LBO可计算性：预计算 依赖FEM网格质量，凹角等奇点可能影响导数精度。

精妙处理

• 损失权重调整： 与 权重比为1:1，避免应力/位移场解耦（例3）。
• 混合LBO基函数（附录C）：组合齐次/非齐次边界问题的基函数 ，增强一般性。
• 链式求导优化（式17）：仅需一阶导（ ），避开高阶导数值不稳定性。

思维转折点

“为何不自适应学习几何？” → “显式编码拓扑信息！”传统PINN试图用单一NN拟合所有物理场，作者发现：

• 应力场在边界需满足 ，而LBO基函数的性质（ ）天然满足此条件。
• 遂构建 ，将自由边界约束内嵌于架构，而非依赖损失项。

影响评估

• 可靠性：自动边界处理避免人工调权（如 ），提升复杂结构收敛性。
• 泛化性：同一几何的多种载荷/边界问题可复用LBO函数，但新几何需重新计算。
• 新颖性：首次统一FEM“离散拓扑”与PINN“连续函数”优势，开辟几何感知PINN新方向。

✅ 第八层：知识迁移与拓展

可迁移方法论

1. 几何编码普适性：任何参数化几何（NURBS、点云）均可计算LBO基函数，应用于流固耦合等跨领域问题。
2. 损失函数设计：
• 正向问题：弱形式能量损失加速收敛。
• 逆向问题：强形式+本构损失鲁棒性强。
3. 课程学习：渐进增加LBO基数量（ ），提升复杂场学习能力。

复现与改进路径

复现步骤：

1. 离线：FEM求解 ，保存 。
2. 在线：PyTorch实现 （输入 ）和 （输入 ）。
3. 损失函数：按问题类型选强/弱形式。

潜在改进方向：

1. 动态LBO更新：在线微调 适应变形几何（如裂纹扩展）。
2. 元学习：预训练通用几何编码器，迁移至相似结构。
3. 高维拓展：将LBO替换为谱方法基函数（如球谐函数）处理曲面流形。

跨领域应用潜力

1. 生物力学：器官形变模拟（几何复杂+材料非线性）。
2. 地质工程：非均质岩体应力场重构（稀疏传感器+复杂边界）。
3. 拓扑优化：PINN作为FEM替代品，加速能量泛函计算。

📌 本论文的通用知识迁移总结