GRIDS-Net：基于几何正则化与物理嵌入深度学习的散射体逆形状设计与辨识
计算物理
2023-06-30 v2
摘要
本研究提出一种基于深度学习的方法，用于声学散射体的遥感探测与设计。无论是在材料设计还是传感背景下，确定散射体形状的能力在许多实际工程问题中都起着关键作用。这类逆问题因其高维、非线性与不适定性而极具挑战。为克服这些技术障碍，我们引入一种基于非均匀有理 B 样条（NURBS）的深度神经网络（DNN）几何正则化方法，能够以简约的维度表示预测复杂的二维散射体几何。随后，将该几何正则化与物理嵌入学习相结合，并集成于鲁棒的卷积自编码器（CAE）架构中，以在辨识与逆设计问题中准确预测二维散射体形状。文中给出了广泛的数值研究，以展示该方法在处理复杂散射体几何同时生成物理一致声场方面的卓越能力。该研究还评估并对比了（弱）嵌入物理在 DNN 预测收敛至物理一致逆设计中所起的作用。
引用
@article{arxiv.2302.07504,
title = {GRIDS-Net: Inverse shape design and identification of scatterers via geometric regularization and physics-embedded deep learning},
author = {Siddharth Nair and Timothy F. Walsh and Greg Pickrell and Fabio Semperlotti},
journal= {arXiv preprint arXiv:2302.07504},
year = {2023}
}
备注
23 pages of main text, 10 figures