基于迁移学习的因果物理信息神经网络在梁模拟中泛化能力提升的迁移学习
机器学习
2023-11-02 v1
摘要
本文提出了一种模拟弹性地基上梁动力学的新方法。具体而言，在尊重因果性的物理信息神经网络（PINN）框架内，采用迁移学习方法模拟 Winkler 地基上的 Euler-Bernoulli 梁和 Timoshenko 梁模型。传统 PINN 即使对于具有闭式解析解的问题，在处理大时空域时也面临挑战。采用尊重因果性的 PINN 损失函数克服了这一局限，有效捕捉了底层物理规律。然而，观察到尊重因果性的 PINN 缺乏泛化能力。我们提出利用相似问题的解而非从头训练，通过在遵循因果性的同时采用迁移学习来加速收敛并确保不同场景下的准确结果。基于 Euler-Bernoulli 梁的数值实验突出了所提方法针对各种初始条件（包括初始数据含噪声的情况）的有效性。此外，所提方法在扩展时空域的 Timoshenko 梁上展示了其潜力。若干对比表明，在标准 -范数度量下，所提方法准确捕捉了固有动力学，优于最先进的物理信息方法并加速了收敛。
引用
@article{arxiv.2311.00578,
title = {Transfer learning for improved generalizability in causal physics-informed neural networks for beam simulations},
author = {Taniya Kapoor and Hongrui Wang and Alfredo Nunez and Rolf Dollevoet},
journal= {arXiv preprint arXiv:2311.00578},
year = {2023}
}