利用物理信息 U-Net 在保持平衡约束下超分辨二维应力张量场
机器学习
2022-06-03 v1
摘要
在有限元分析中，使用大量网格对获得准确结果十分重要，但这是一项消耗资源的任务。以实现实时仿真与优化为目标，期望在有限资源内获得细网格分析结果。本文提出一种超分辨率方法，利用称为 PI-UNet 的基于 U-Net 的神经网络，从低分辨率等值线图预测高分辨率中的应力张量场。此外，所提模型最小化平衡约束的残差，从而输出物理上合理的解。所提网络以简单形状的有限元分析结果训练，并以复杂真实形状验证以评估泛化能力。尽管 ESRGAN 是图像超分辨率的标准模型，所提基于 U-Net 的模型在应力张量预测任务中优于 ESRGAN 模型。
引用
@article{arxiv.2206.01122,
title = {Super-resolving 2D stress tensor field conserving equilibrium constraints using physics informed U-Net},
author = {Kazuo Yonekura and Kento Maruoka and Kyoku Tyou and Katsuyuki Suzuki},
journal= {arXiv preprint arXiv:2206.01122},
year = {2022}
}