《Applied Computing and Geosciences》：FEM-aligned weak-form physics-informed neural networks with Laplace–Beltrami geometry encoding for linear elastic surrogate modeling
编辑推荐：
研究人员提出一种与有限元(Finite Element Method, FEM)对齐的物理信息神经网络(Physics-Informed Neural Network, PINN)——即FEM–PINN，用于求解小应变各向同性线弹性问题。该方法采用弱形式(we
研究人员提出一种与有限元(Finite Element Method, FEM)对齐的物理信息神经网络(Physics-Informed Neural Network, PINN)——即FEM–PINN，用于求解小应变各向同性线弹性问题。该方法采用弱形式(weak-form)总势能泛函作为损失函数，在有限元预计算的高斯积分点(Gauss quadrature points)上评估应变能(strain energy)与诺伊曼边界功(Neumann work)，并通过架构门控(architectural gating)强施本质边界条件(Dirichlet BCs)。网络输入为物理坐标叠加拉普拉斯–贝尔特拉米(Laplace–Beltrami Operator, LBO)特征函数(即Laplace–Beltrami eigenfunctions, LBO eigenmodes, Φ(x)∈Rm)，以提供几何感知的谱特征。研究人员在三个三维算例（单轴压缩基准、自由侧向约束棱柱体、混合方向约束准二维域）上将FEM–PINN位移场、应力场及总势能Π与经典FEM参考解进行对比。结果表明：节点位移相对L2误差约6%–8%，位移分量uz的RMSE达10?3–10?2m量级，能量差(energy gap)低于1%(大尺度自由侧向情形约3.47%)；高斯点von Mises应力相对L2误差为4.87%–12.3%；节点平均峰值von Mises应力因神经网络全局光滑性及节点平均而偏低，但平均von Mises应力吻合良好。消融实验证实架构门控对边界条件满足至关重要，LBO特征嵌入显著改善变分一致性(variational consistency)。研究表明FEM–PINN可作为固定几何下重复求解的代理模型(surrogate model)，适用于地质力学耦合工作流中的参数化研究。
研究背景与意义
传统有限元法(Finite Element Method, FEM)在地质力学(geomechanics)耦合分析中需反复求解，计算成本高昂。经典物理信息神经网络(Physics-Informed Neural Network, PINN)虽可作代理模型，但多依赖强形式(strong-form)PDE残差，对弹性力学二阶导敏感、易产生数值噪声，且原始坐标输入无法编码域拓扑与边界信息，导致边界条件难以严格满足、与FEM结果缺乏可直接比对的能量一致性。为解决上述问题，研究人员开展了基于弱形式变分原理、与FEM高斯积分对齐、并引入拉普拉斯–贝尔特拉米(Laplace–Beltrami Operator, LBO)特征谱几何嵌入的FEM–PINN研究，验证其在三维线弹性问题中相对FEM的位移/应力精度与能量一致性，探讨其作为地质力学重复求解代理模型的适用性。该文发表于《Applied Computing and Geosciences》。
主要关键技术方法
研究人员在一结构化六面体网格上：①预求解域上Dirichlet边值问题的LBO特征值问题，取前m=24阶非零特征函数Φ(x)作为几何感知输入，与物理坐标(x,y,z)拼接输入神经网络；②构建含4层全连接(宽度128, GELU激活)的网络预测位移场uθ(x)，通过乘性门控(multiplicative gating)将本质边界条件(Dirichlet BC)硬编码入网络输出使u|ΓD=uprescribed，避免软惩罚的不精确性；③以FEM相同2×2×2体积高斯点和2×2面高斯点计算总势能Π＝?∫Ωσ(u):ε(u)dV－∫Γtt·u dA为损失(强形式PDE权重置零)，诺伊曼(Neumann)面力自然进入边界积分，本质边界附加罚项wbc‖u－uD‖2ΓD；④用PyTorch autograd自动微分求应变ε＝?(?u＋?u?)及本构关系σ＝λ tr(ε)I＋2μ ε(Hooke定律, 各向同性线弹性)，Adam优化器训练500轮；⑤在三个算例(1×1×10 m单轴压缩底固侧滚约束；1000×1000×750 m岩块底全固定顶均布压力侧自由；100×1×100准二维混合方向约束)对比FEM参考解，评估相对L2误差、RMSE、奇偶图(parity plot)斜率/R2、高斯点及节点平均von Mises应力、能量差｜ΠFEM－ΠPINN｜/｜ΠFEM｜，并做消融实验与特征模态数敏感性分析。
研究结果
—位移场与有限元参考解对比(Displacement comparison with the finite element reference)：三算例节点位移奇偶图斜率近1(R2＞0.985)，uz相对L2误差6.215%–7.243%，整体位移相对L2误差6.887%–8.13%，uz的RMSE为2.73×10?3～6.57×10?2m。表明FEM–PINN位移场与FEM高度一致。
—能量一致性(Energy consistency)：Case 1与Case 3能量差＜1%(分别为0.2%、0.3%)，Case 2(大尺度自由侧向)为3.47%。证明FEM–PINN通过共享高斯积分可有效逼近FEM变分解。
—高斯点von Mises应力误差(Gauss-point von Mises stress error before nodal averaging)：Case 1为4.87%，Case 2为12.3%，Case 3为8.4%。节点平均后峰值von Mises应力偏低(最高约FEM的50%)，源于NN全局光滑性及节点平均平滑了单元间间断与局部极值，但平均von Mises应力吻合好，说明体应力场捕获准确。
—消融实验(Ablation study)：去除架构门控(无论是否用LBO)导致边界严重违背、位移发散；仅坐标输入加门控位移误差≈0.97%但能量差1.78%，加入LBO(m=24)后能量差降至0.39%，证实LBO提升变分一致性；关罚项(wbc=0)能量差最小(0.01%)，说明门控是主要BC强制手段、罚项起正则作用。
—计算成本(Computational cost)：单次训练费时高于FEM直接求解(Case 2: 1422.6 s vs 11.553 s)，但推理＜1 ms，约120次重复FEM求解即可回本，适合需多次求解的耦合工作流。
—特征模态数敏感性(Eigenmode budget sensitivity)：m=0时能量差137.4%；m=24能量差最低(0.33%)为较优设置；位移误差随m非单调变化，过大m增加输入维数使固定迭代下优化更困难。
讨论与结论翻译
讨论指出弱形式训练降导数阶并使面力自然进入边界积分；LBO特征编码提升边界保真度与变分一致性；FEM–PINN保持FEM后处理流程（能量校验、高斯→节点平均）可直接沿用。局限性含：无系统误差控制保证（不像h/p-refinement）、无非凸损失的收敛保证、罚权重需平衡（本研究门控降低敏感性）、LBO基随几何变化需重算、当前仅验证小应变各向同性线弹性、超参数对更复杂几何需调优。结论如下：
本研究提出了一种与有限元对齐的弱形式物理信息神经网络(FEM–PINN)，用于小应变线弹性力学，旨在弥合物理信息学习与既有地质力学工作流间的差距。通过从总势能泛函构建训练目标并使用与传统FEM相同的Gauss积分规则及边界分区进行组装，所提框架确保严格的变分一致性，并可与有限元参考解进行直接、具物理意义的比较。本方法的核心贡献是将几何表征、数值积分及后处理与有限元实践显式对齐。基于拉普拉斯–贝尔特拉米(Laplace–Beltrami)特征函数的几何感知输入提供了紧致、网格一致的域拓扑嵌入，相较仅坐标输入的PINN改善了边界保真度与表示效率。弱形式训练策略避免了弹性力学中强形式残差常伴的数值刚性与导数噪声，而架构门控以稳定且物理解释性强的方式强制本质边界条件。研究人员通过三个复杂度递增的基准算例进行评估：单轴压缩验证案例显示FEM–PINN与FEM在位移场、应力恢复及总势能上紧密吻合；较大尺度具自由侧边界与固定基底的棱柱体算例表明该方法在理想化地质力学压缩情景下的鲁棒性（侧边变形与应力重分布显著）；具混合方向边界条件的准二维域算例测试了几何各向异性与方向选择性约束下的稳健性。所有案例中FEM–PINN位移误差处于6%–8%量级，相对FEM呈近单位斜率奇偶关系，且采用相同积分评估时能量差很小，证实了所学解的物理一致性。除上述精度，本研究一个重要成果是保留了FEM级诊断量：因应力应变在Gauss点计算、能量按一致方式组装，标准有限元验证工具——如能量平衡检验、奇偶图及节点应力统计——无需修改即可适用。这一特性使所提框架区别于众多现有PINN表述，并促进其融入已有地质力学管线，包括情景分析、参数化研究及耦合工作流内代理建模。当前研究聚焦小应变各向同性线弹性与静态几何，基准算例为经典线弹性验证问题。在此变分框架下向更复杂场景的拓展是自然且良定的：具体而言，流体–力学(hydro–mechanical)耦合可通过在弱形式中引入孔隙压力变量及符合Biot理论的耦合项来扩充，同时保留同种几何感知嵌入与积分对齐。进一步拓展至非均质材料、反参数估计及具应力集中的复杂几何属未来工作方向。总体而言，所提FEM–PINN为固体力学中基于PINN的代理模型建立了方法严谨且可解释之框架，在异质、耦合及几何复杂设定下验证通过后，具备明确路径可部署于真实地下地质力学工作流中。
