稳健的物理信息神经网络方法：用于从噪声位移数据估算异构弹性属性
机器学习
2025-06-19 v2
摘要
从噪声位移 measurements accurately 估算空间异构弹性参数（尤其是青岛极限和泊松比），在逆弹性问题中仍然具有显著挑战性。现有的逆估计技术常受限于不稳定性、对测量噪声的显著敏感性，以及难以恢复青岛极限的绝对尺度。本工作提出了一种新颖的逆向弹性物理信息神经网络（IE-PINN），专为从噪声位移数据中稳健地重建异构弹性参数分布而设计，基于线性弹性物理学。IE-PINN集成了三个独立的神经网络架构，用于分别建模位移场、应变场和弹性分布，从而显著提高了对测量噪声的稳定性和准确性。此外，引入了两阶段估计策略：第一个阶段恢复青岛极限和泊松比的相对空间分布，第二个阶段使用施加的加载边界条件校准青岛极限的绝对尺度。另外的 метод创新，包括位置编码、正弦激活函数和顺序预训练协议，进一步提高了模型的性能和鲁棒性。广泛的数值实验表明，IE-PINN有效克服了现有方法所遇到的关键限制，即使在严酷的噪声条件下，也能提供准确的绝对尺度弹性估计。这一进展在临床影像诊断和机械表征等领域具有重大的潜在价值，其中测量常常面临显著的噪声。
引用
@article{arxiv.2506.14036,
title = {Robust Physics-Informed Neural Network Approach for Estimating Heterogeneous Elastic Properties from Noisy Displacement Data},
author = {Tatthapong Srikitrungruang and Matthew Lemon and Sina Aghaee Dabaghan Fard and Jaesung Lee and Yuxiao Zhou},
journal= {arXiv preprint arXiv:2506.14036},
year = {2025}
}