因果加权与辅助变量增强的可分离物理信息神经网络（Causal-SPINN）求解梁动力学的正问题与反问题

《Engineering Applications of Artificial Intelligence》：A unified causality-enhanced separable physics-informed neural network for predicting beam and plate dynamics

　　

摘要：研究人员提出一种结合因果加权（causal weighting）与辅助变量（auxiliary variable）的可分离物理信息神经网络（Separable Physics-Informed Neural Network，SPINN），即 Causal-SPINN，用于高效求解梁结构动力学中基于 Euler–Bernoulli 与 Timoshenko 梁理论的正向及逆向问题。标准 PINN（Physics-Informed Neural Network）在求解含高阶偏微分方程（Partial Differential Equation，PDE）及时间演化问题时面临谱偏差（spectral bias）、时间误差累积及高阶导数自动微分（Automatic Differentiation，AD）噪声放大等困难。研究人员通过在时域引入因果损失加权以强制早期时间残差优先满足，并利用低秩张量分解的可分离网络架构降低计算开销；进一步引入辅助输出场直接近似曲率 uxx，抑制四阶导数量级误差传播。在简支 Euler–Bernoulli 梁置于 Winkler 地基上的基准算例中，Causal-SPINN 相较基线 SPINN 将相对 L2误差降低逾 50%，辅助变量使四阶空间导数误差降至 5% 以内；该方法亦能仅凭少量稀疏位移测点高精度反演弯曲刚度 EI。与全连接 PINN 及自适应时间展开 PINN 相比，所提方法在相同精度下训练速度快约 5.6 倍且显存占用减少约 3.4 倍。研究表明因果加权与可分离网络及辅助变量联合可显著提升结构动力学 PDE 的 PINN 求解精度与效率。

本文发表于 Engineering Applications of Artificial Intelligence，针对传统物理信息神经网络（Physics-Informed Neural Network，PINN）在求解结构动力学高阶偏微分方程（Partial Differential Equation，PDE）时存在的时间因果混乱导致的误差累积、高频模态难以学习（谱偏差，spectral bias）以及高阶导数经自动微分（Automatic Differentiation，AD）逐阶放大噪声等问题，研究人员开展了将可分离物理信息神经网络（Separable PINN / SPINN，Spatially Separable PINN）与因果加权（causal time-weighting）及辅助变量（auxiliary curvature variable）相结合的 Causal-SPINN 框架研究，并以 Euler–Bernoulli 梁及 Timoshenko 梁置于 Winkler 地基上的正向动力学预测与逆向参数识别为验证基准。研究结论表明：因果时间加权可有效抑制时间方向误差传播；可分离网络架构大幅降低计算资源消耗；辅助变量使四阶空间导数及内力（弯矩、剪力）的恢复误差降至工程可用水平；整体框架在正向预测与稀疏测点反演弯曲刚度 EI 中均具较高精度与鲁棒性。

主要关键技术方法

研究人员采用可分离多层感知机（modified MLP）构建 SPINN，"body" 网络分别映射空间与时间坐标再作外积，秩 r=128，5 层 ×128 神经元，用 SIREN 型激活改进高频捕捉能力；PDE 残差项引入因果加权——按时间分段累计残差指数衰减赋予权重（ε=5），迫使其优先最小化早期时间步残差；正向问题损失含 PDE 残差（λ_res=0.1）、边界条件与初始条件（λ_BC/IC=1）；高阶导数稳定化时额外引入辅助输出 ν(x,t)≈u_xx，附加一致性惩罚项（λ_ν=10），降低对四次 AD 的依赖；逆向问题中将 EI 设为可训练标量，增数据拟合项（λ_data=1）约束四点稀疏时程位移测点；全部算例无量纲化（nondimensionalization）使各系数 O(1)，Adam 优化器 lr=10^?5（辅助情形 lr=10^?6），25 万 epoch，十随机种子取系综平均。

研究结果

3.1 Euler–Bernoulli Beam（欧拉–伯努利梁）

无量纲化运动方程为 u_tt+u_xxxx+k·u=f(x,t)，简支边界，初位移 sin(x)cos(πt) 解析解已知。Causal SPINN 相较 Baseline SPINN 将相对 L²误差从 0.426%±0.247% 降至 0.184%±0.105%，RMSE 与 MAE 同步改善；误差热图显示基线方法在时间后段与模态峰值处误差显著累积，因果加权消除该时间梯度。一阶与二阶导数（转角、曲率/弯矩）误差 <5%，三阶与四阶导数因 AD 误差放大分别达 ~17% 与 >78%。引入辅助变量 ν≈u_xx后，u、u_x、u_xx、u_xxx（剪力）、u_xxxx相对 L²误差均 <5%，四阶误差由 >78% 降至 ~4.2%；Causal Aux SPINN 较 Baseline Aux SPINN 再降约 30% 位移误差且变异性更小。

3.1.3 Sensitivity to rank r and causality parameter ε（秩与因果参数敏感性）

对 r∈{32,64,128,256} 与 ε∈{1,3,5,7} 扫描，所有 Causal SPINN 组合优于基线，最佳为 r=64,ε=5；中等 ε=3~5 稳定最优，过大或过小均劣；r=32~256 精度波动 <1.4 倍，表明该秩一可分解基准问题对秩不敏感，取 r=128 为保守默认。

3.1.5 Sensitivity to auxiliary-loss weight λ_ν（辅助损失权重敏感性）

λ_ν∈{0.1,1,10,50}，λ_ν=10 时相对 L²误差最低且变异系数最小（19.0%）；过小不起约束，过大挤占 PDE 残差优化。

3.1.6 Comparison with PINN methods（与 PINN 方法对比）

Causal PINN（无辅助、无可分）在此四阶 PDE 发散（rel.L²=0.683）；AUX PINN（双输出全连接）达 3.69×10^?3误差；Adaptive-domain PINN 精度尚可但耗时最长；Causal SPINN 比最优 AUX PINN 精度高约 2 倍、快 5.6 倍、显存少 3.4 倍（330~394 MiB vs 1328~3248 MiB）。Causal Aux SPINN 牺牲微量位移精度换取高阶导数精度大幅提升。

3.1.7 Inverse parameter estimation（逆向参数估计）

以四固定空间点 100Hz 采样的 u(x_i,t) 为观测，EI 作可训练参数初值 [0.5,1.5]，Causal SPINN 与 Causal Aux SPINN 均能快速收敛至真值 EI=1；辅助变量版将 EI 相对误差由 0.083% 降至 0.044%，证实辅助正则化提升逆问题稳定性。

3.2 Timoshenko Beam（铁木辛哥梁）

耦合二阶 PDE 组含横向位移 u(x,t) 与截面转角 θ(x,t)，无量纲化引入剪切时间尺度 T_TB与位移/转角特征尺度，最高需二阶 AD，故无需辅助变量。Causal SPINN 同样展现优于基线之精度，验证了框架对一阶及二阶耦合 PDE 的普适性。

讨论与结论（Conclusion 浓缩翻译）

研究人员开发了融合因果时间加权与可选辅助曲率输出的可分离物理信息神经网络（Causal-SPINN / Causal Aux SPINN），用于结构动力学梁方程的正反问题求解。因果加权消除了传统 PINN/SPINN 中的时间方向误差累积，可分离网络架构显著降低内存与计算成本，辅助变量有效克服自动微分在高阶 PDE 中的误差放大。该方法在 Euler–Bernoulli 与 Timoshenko 梁基准上超越基线 SPINN 及多种 PINN 变体，能以少量稀疏测点高精度反演结构参数（弯曲刚度 EI）。所提框架为基于 PDE 约束的工程结构正向模拟与逆向辨识提供了一种精度更高、资源效率更优的机器学习途径。