arXiv · 07.07.2026 ·Машинное обучение

Новый фреймворк PINN для моделирования волновых процессов в биматериальных системах

Исследователи представили фреймворк на базе нейронных сетей, информированных физикой (PINN), предназначенный для моделирования распространения упругих волн в биматериальных системах. Метод интегрирует фундаментальные физические законы непосредственно в процесс обучения модели, что позволяет эффективно решать уравнения линейной упругости в осесимметричной постановке для сред, состоящих из различных материалов, таких как сталь и алюминий.

Традиционные численные методы, такие как метод конечных элементов, часто требуют значительных вычислительных ресурсов для решения задач динамики сплошных сред. Использование PINN позволяет аппроксимировать решения дифференциальных уравнений в частных производных, минимизируя невязку физических законов в функции потерь. Это обеспечивает высокую точность при анализе переходных процессов, возникающих на границах раздела сред с различными акустическими свойствами.

Разработанный подход демонстрирует устойчивость при моделировании взаимодействия волн с интерфейсами материалов. Внедрение физических ограничений в архитектуру нейросети снижает потребность в больших объемах размеченных данных, характерных для классического машинного обучения, и повышает интерпретируемость результатов в инженерных задачах, связанных с неразрушающим контролем и сейсмологией.

Ключевые факты

Фреймворк основан на архитектуре Physics-Informed Neural Networks (PINN), интегрирующей уравнения линейной упругости.
Модель адаптирована для решения задач осесимметричного распространения волн в системах из двух различных материалов.
В качестве примера тестирования системы использовалась комбинация стали и алюминия.
Метод направлен на повышение точности моделирования переходных динамических процессов в неоднородных средах.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

Hacker News · Модели и релизы Представлена MFM: новая фундаментальная модель для анализа движения Исследователи представили MFM (Motion Foundation Model) — специализированную нейросетевую архитектуру, основанную на методе PINN (Physics-Informed Neural Networks). Модель предназначена для моделирования и анализа динамических процессов, объединяя возможности глубокого обучения с физическими законами. Релиз включает веса модели и документацию, позволяя использовать её для задач прогнозирования траекторий и анализа сложных движений в различных средах. arXiv · Машинное обучение Новый метод обучения PINN для решения обратных задач в физике Исследователи представили метод Target-Guided Selective Reweighting (TGSR) для обучения физико-информированных нейронных сетей (PINN). Подход решает проблему некорректно поставленных оптимизационных задач и конфликтов функций потерь при использовании трансферного обучения. Алгоритм динамически перевзвешивает данные, предотвращая негативный перенос знаний, когда физические механизмы или параметры исходной и целевой задач существенно различаются. arXiv · Исследования и наука Применение PINN для решения обратной задачи Кальдерона с ограниченными данными Исследователи представили новый метод решения обратной задачи Кальдерона с использованием физико-информированных нейронных сетей (PINN). Подход позволяет восстанавливать резкие изменения проводимости при ограниченном объеме граничных данных. Авторы внедрили многомасштабные граничные возбуждения на основе вейвлет-функций и применили кодирование признаков Фурье, что значительно повысило точность реконструкции сложных структур в условиях неполной информации. arXiv · Исследования и наука Новый метод физически-информированных эмбеддингов для решения уравнений в частных производных Исследователи представили архитектуру для построения конечномерных эмбеддингов семейств решений уравнений в частных производных (PDE). Метод использует многоголовую нейронную сеть, где общая часть модели обучается выделять латентное многообразие пространства решений, а линейные головы восстанавливают конкретные сценарии для различных начальных условий. Это позволяет эффективно аппроксимировать сложные физические системы с высокой точностью и вычислительной эффективностью. arXiv · Машинное обучение Оптимизация гиперпараметров в физически информированных нейросетях Исследователи представили новый подход к обучению физически информированных нейронных сетей (PINNs), предназначенных для решения дифференциальных уравнений в частных производных. Основная сложность таких моделей заключается в нестабильной сходимости и высокой чувствительности к выбору гиперпараметров, что вызвано невыпуклой структурой функции потерь, включающей множество физических ограничений. arXiv · ИИ в бизнесе SimPhysNet: нейросетевой метод контроля качества лазерной сварки Исследователи представили SimPhysNet — алгоритм на базе самообучающихся физически-информированных нейронных сетей (PINN) для прогнозирования глубины проплавления при лазерной сварке. Модель позволяет с высокой точностью классифицировать состояние шва в режиме реального времени, что критически важно для предотвращения дефектов в промышленном производстве и обеспечения целостности соединений без необходимости проведения разрушающего контроля. arXiv · Машинное обучение Новый метод оптимизации DSGNAR для обучения физически информированных нейросетей Исследователи представили DSGNAR — фреймворк для оптимизации физически информированных нейронных сетей (PINN). Метод решает проблему плохой обусловленности ландшафта функции потерь, которая препятствует достижению точности классических численных методов при решении дифференциальных уравнений в частных производных. Алгоритм сочетает двойное скетчирование и адаптивное соотношение, обеспечивая масштабируемость и стабильность процесса обучения сложных физических моделей. Hacker News · Исследования и наука Интеграция рекуррентных нейросетей в метод конечных элементов Исследователи представили метод внедрения рекуррентных нейронных сетей (RNN) непосредственно в симуляции методом конечных элементов (FEM). Этот подход позволяет объединить классическое физическое моделирование с глубоким обучением, обеспечивая высокую точность прогнозирования динамических систем. Решение решает проблему накопления ошибок при длительных расчетах, сохраняя физическую согласованность данных на протяжении всего процесса симуляции. arXiv · Машинное обучение Новый фреймворк для диагностики повреждений конструкций с помощью ИИ Исследователи представили метод обучения нейросетей для мониторинга состояния инженерных конструкций в условиях дефицита реальных данных. Фреймворк сочетает многоуровневые сверточные автокодировщики и трансферное обучение, используя массивные симуляции для компенсации нехватки экспериментальных образцов. Это позволяет эффективно выявлять скрытые дефекты в структурах, минимизируя вычислительные затраты на генерацию высокоточных моделей и повышая точность диагностики в реальных промышленных условиях. arXiv · Машинное обучение Физически-ограниченные нейросети для моделирования периодических структур Исследователи представили архитектуру нейронных сетей с физическими ограничениями (PCNN), предназначенную для ускоренного прогнозирования матриц Джонса в периодических структурах. Метод заменяет ресурсоемкий анализ связанных волн (RCWA), используя закон сохранения энергии как жесткое условие. Это позволяет модели точно предсказывать поведение электромагнитных волн, гарантируя, что результаты всегда лежат на многообразии Штифеля.

← Все материалы