PhySRNet：面向计算固体力学应用的物理信息超分辨率网络
材料科学
2022-11-24 v2 机器学习
摘要
基于有限元分析的传统方法已成功用于预测工业应用中广泛使用的非均质材料（复合材料、多组分合金与多晶）的宏观尺度行为。然而，这要求网格尺寸小于材料微观结构非均质性的特征长度尺度，从而导致计算昂贵且耗时。基于深度学习的图像超分辨率 (SR) 算法的最新进展通过使研究者能够增强由粗网格模拟获得数据的时空分辨率，为应对该计算挑战开辟了有前景的途径。然而，在开发用于计算固体力学（尤其针对经历大变形的材料）的高保真 SR 模型方面仍存在技术挑战。本工作旨在开发一种基于物理信息的深度学习超分辨率框架 (PhySRNet)，其无需高分辨率标注数据即可从低分辨率对应量重建高分辨率变形场（位移与应力）。我们设计了一个合成案例研究以阐明所提框架的有效性，并证明超分辨率场与以粗网格分辨率 400 倍运行的高级数值求解器精度相匹配，同时满足（高度非线性的）控制定律。该方法为机器学习与传统数值方法协同应用以降低计算复杂度、加速科学发现与工程设计打开了大门。
引用
@article{arxiv.2206.15457,
title = {PhySRNet: Physics informed super-resolution network for application in computational solid mechanics},
author = {Rajat Arora},
journal= {arXiv preprint arXiv:2206.15457},
year = {2022}
}
备注
14 pages, 3 figures, arXiv admin note: text overlap with arXiv:2112.08676