边界区域强化物理信息神经网络求解偏微分方程

《Engineering Applications of Artificial Intelligence》：Boundary Region Reinforcement Physics-Informed Neural Networks for solving partial differential equations

　　

物理信息神经网络（Physics-Informed Neural Networks, PINNs）已成为求解偏微分方程（Partial Differential Equations, PDEs）的深度学习框架。然而，标准方法通常难以严格强制执行边界条件，限制了其计算精度，尤其是在复杂的多物理场耦合系统中。为应对这一挑战，研究人员引入了边界区域强化物理信息神经网络（Boundary Region Reinforcement Physics-Informed Neural Networks, BRR-PINNs），这是一种旨在加强边界约束执行并显著提高解精度的新型框架。该方法通过中间变量将非Dirichlet边界条件转换为精确Dirichlet边界以减少冗余损失项，并应用空间强化函数优先在边界附近进行训练。研究人员在二维轴对称热弹性耦合问题（涉及一个同时承受热载荷和机械载荷的圆环）上验证了BRR-PINNs的有效性。实验结果表明，该方法持续优于若干现有方法，实现了约一个数量级的精度提升。

物理信息神经网络（Physics-Informed Neural Networks, PINNs）作为求解偏微分方程（Partial Differential Equations, PDEs）的深度学习框架近年来受到广泛关注，其通过将物理定律嵌入损失函数来减少对大规模标记数据的依赖。然而，现有PINNs方法在严格满足边界条件方面存在固有缺陷，尤其是在复杂多物理场耦合系统中，边界误差会以无限速度传播至整个解域，导致整体解精度低下。此外，多物理场问题涉及多个控制方程和耦合项，造成损失函数项数过多、超参数手动调节困难，梯度流刚度化进一步阻碍优化过程。尽管已有多种变体（如“硬”约束方法、梯度增强PINNs（g-PINNs））尝试缓解上述问题，但这些方法主要针对Dirichlet边界，对非Dirichlet边界及耦合系统内部的固有困难改善有限。为此，研究人员提出了边界区域强化物理信息神经网络（Boundary Region Reinforcement Physics-Informed Neural Networks, BRR-PINNs），旨在通过强化边界约束以显著提升计算精度，并将损失函数简化至仅保留方程残差项，从而减少超参数调节负担。该论文发表在《Engineering Applications of Artificial Intelligence》。

研究人员在二维轴对称热弹性耦合问题（源自非接触式机械密封环的实际工况）上验证了BRR-PINNs的性能，涵盖热传导、弹性变形及热弹性变形三个子问题。通过与常规PINNs、“硬”方法PINNs、g-PINNs等现有方法的系统比较，BRR-PINNs在所有测试问题中均达到约一个数量级的精度提升。此外，研究人员通过超参数灵敏度分析、边界强化机制消融实验及收敛性分析，进一步证实了该框架的鲁棒性与有效性。

为实现上述目标，研究人员主要采用了以下关键技术方法：（1）**非Dirichlet边界精确转换机制**：通过引入中间变量将非Dirichlet边界条件（如Neumann、Robin边界）转化为精确的Dirichlet边界，从而消除冗余的边界损失项；（2）**空间强化函数**：定义了一个随空间坐标变化的权重函数，在训练过程中优先增加边界区域采样点的损失贡献，强制网络优先学习边界附近行为；（3）**全连接神经网络**：作为基础架构，利用自动微分（Automatic Differentiation, AD）计算方程残差，仅保留方程残差损失项进行优化。

**研究结果**（保留原文小标题）：

- **Heat transfer problem（热传导问题）**：通过对比BRR-PINNs与常规PINNs、“硬”方法PINNs及g-PINNs在圆环稳态热传导问题上的表现，结果显示BRR-PINNs的最大相对误差L_∞降低约一个数量级，且训练收敛更快，边界温度分布与有限元解（FEM）高度吻合。
- **Elastic deformation problem（弹性变形问题）**：在圆环受内压和热应力的弹性变形问题中，BRR-PINNs在位移场和应力场的预测精度上均优于对比方法，特别是在角点附近的高应力梯度区域，边界强化机制有效抑制了振荡误差。
- **Thermo-elastic deformation problem（热弹性变形问题）**：针对完整热-力耦合问题，BRR-PINNs同时预测温度场、位移场、应力场及耦合热应变。实验表明，该方法在耦合项计算中的精度提升尤为显著，总体L₂相对误差较常规PINNs降低约10倍，且损失函数中无需边界项即可自动满足边界条件。

**讨论与结论部分**：总结讨论中，研究人员指出BRR-PINNs的核心优势在于其简单而有效的边界强化机制，该机制既适用于Dirichlet边界也适用于非Dirichlet边界，且不增加网络复杂度。超参数分析显示，空间强化函数的权重参数在较大范围内对精度影响不敏感，说明该方法鲁棒性强。与“硬”方法相比，BRR-PINNs无需额外训练距离函数网络，计算效率更高。翻译研究结论部分：本研究提出了一种新型框架BRR-PINNs，并在热传导、弹性变形及热弹性变形三个代表性问题上展示了其显著提升计算精度的能力。与常规PINNs、“硬”方法PINNs及g-PINNs等现有方法相比，该方法实现了约一个数量级的精度改进。此外，超参数分析和消融实验验证了边界强化机制的有效性和鲁棒性。研究人员相信，BRR-PINNs的独特优势——特别是其简单而有效的边界强化机制——使其成为解决实际工程应用中复杂PDEs的有前景工具。未来工作将探索该方法在高维问题、瞬态问题及更复杂几何域上的推广。