可分离物理信息网络用于弹性问题的求解
内容提要
该文综述物理信息神经网络（PINN）求解偏微分方程的主要进展：SPINN架构降低多维PDE计算成本，多网络模型提升固体力学精度，DPINN、RPINN、BsPINN等改进训练稳定性与收敛速度，并拓展至弹性动力学、接触力学、障碍问题及复杂几何形状优化。
延伸解读
PINN求解弹性问题的演进脉络
文章梳理了物理信息神经网络（PINN）在弹性问题中的多项改进。从SPINN降低多维PDE计算成本，到多网络模型提升固体力学精度，再到DPINN、RPINN、BsPINN等针对训练稳定性与收敛速度的优化，这些工作共同推动了PINN从通用PDE求解向弹性动力学、接触力学等具体场景的拓展。读者可借此了解该领域近年来的技术发展路径。
接触与障碍问题的处理策略
针对弹性接触和障碍问题，文章介绍了将不等式约束（如KKT条件）作为软约束融入损失函数的方法，并探索了非线性互补问题函数（如Fischer-Burmeister）的应用。这些策略使PINN能够处理边界条件复杂、解可能不光滑的场景，为接触力学正反向问题提供了新思路。
训练稳定性与收敛速度的改进
为应对PINN训练中的不稳定和收敛慢问题，文章提及了多种改进架构：RPINN利用能量范数残差和Gram矩阵构建损失函数，使训练过程可监控；BsPINN采用二进制结构减少神经元连接，缓解过平滑并提升收敛速度；还有方法通过逐步扩展求解区间来稳定训练。这些改进在Burgers、Euler等方程上得到验证。
复杂几何与形状优化的拓展
文章还探讨了将几何变换与PINN结合，通过微分同胚映射处理复杂几何和低维流形，实现直接的形状优化。该方法增强了PINN在参数化几何体上的灵活性，为工程中的形状优化问题提供了基于PDE的高级建模途径。
Q&A
SPINN是什么？它有什么优势？
SPINN是一种基于轴分离的网络架构，用于物理信息神经网络（PINN），可以在单个GPU上处理超过10^7个样本点。相比传统基于点处理的PINNs，它在严格控制误差的前提下大幅减少了多维偏微分方程（PDE）的计算成本。
PINN在固体力学中如何应用？
在固体力学中，PINN通过使用多网络模型，结合动量平衡和本构关系，可以更准确地呈现场量变量。通过合成数据测试并与解析解和数值解比较，验证了模型的有效性和精度，同时等几何分析在准确性和收敛性方面优于有限元法。
DPINN和RPINN分别是什么？
DPINN是分布式物理信息神经网络，用于直接求解非线性偏微分方程及二维稳态Navier-Stokes方程。RPINN是鲁棒版本的物理启发式神经网络，利用能量范数计算的残差和格拉姆矩阵的倒数构建损失函数，使损失函数与真实误差在能量范数下相符，从而可以监控训练过程并在达到所需精度时停止训练。
BsPINN有什么特点？它解决了什么问题？
BsPINN是二进制结构的物理信息导向神经网络，采用二进制结构神经网络作为组件。它通过减少神经元连接，更有效和高效地捕捉解的局部特征，解决了PINNs中增加隐藏层导致过度平滑的问题，并防止了PDE解不光滑导致准确性下降的问题。在Burgers方程、Euler方程、Helmholtz方程和高维Poisson方程的数值实验中，BsPINNs展现出优异的收敛速度和更高的准确性。
PINN如何求解障碍相关的偏微分方程？
PINN通过多种场景对线性和非线性、规则和不规则障碍下的PDE进行求解，表现良好。具体方法包括使用物理信息神经网络来探索障碍相关的偏微分方程。
PINN在弹性接触力学中如何应用？
PINN在小变形弹性接触力学的正向和反向问题中，通过输出变换的混合变量形式化来强制施加迪里希特和诺伊曼边界条件，并将接触问题的不等式约束即Karush-Kuhn-Tucker条件作为松软约束融入损失函数。研究还探索了非线性互补问题函数如Fischer-Burmeister，并展示了PINN作为纯PDE求解器、数据增强的正向模型、参数识别的反向求解器和快速计算的代理模型的重要性。
