A Posteriori Error Estimation and Adaptive Mesh Refinement for Variational Physics-Informed Neural Networks Solving Steady Navier–Stokes Equations
《COMPUTER METHODS IN APPLIED MECHANICS AND ENGINEERING》:An adaptive error estimator for stationary Navier-Stokes equations using variational physics informed neural networks
编辑推荐:
摘要:研究人员针对稳态不可压缩Navier–Stokes方程(steady incompressible Navier–Stokes equations, NSE)提出了一种基于变分物理信息神经网络(Variational Physics–Informed N
摘要:研究人员针对稳态不可压缩Navier–Stokes方程(steady incompressible Navier–Stokes equations, NSE)提出了一种基于变分物理信息神经网络(Variational Physics–Informed Neural Network, VPINN)的a posteriori(后验)误差估计器及相应的自适应算法。该估计器由四部分构成——PDE投影误差(ηp)、问题数据失配误差(ηd)、损失残差(ηl)及局部PDE残差(ηr),均在测试函数空间上借助L2半范数及有限元基函数投影(πr)局部可计算。研究人员严格证明了该估计器的可靠性(reliability, upper bound on energy error)与局部有效性(local efficiency up to data oscillation),并将其嵌入D?rfler标记与红绿加密(red–green refinement)的自适应VPINN流程中。二维Kovasznay流与L形域数值实验表明,所提自适应策略较均匀网格在相同配点数下可获得更小的速度H1与压力L2相对误差,且误差指示量与真实误差演化趋势一致,验证了理论结论。
论文解读:A Posteriori Error Estimation and Adaptive Mesh Refinement for Variational Physics–Informed Neural Networks Solving Steady Navier–Stokes Equations
一、研究背景与动机
物理信息神经网络(Physics–Informed Neural Network, PINN)在求解偏微分方程(Partial Differential Equation, PDE)正逆问题中受到广泛关注,但其缺乏严格的数值误差控制机制,难以像传统有限元法(Finite Element Method, FEM)那样通过后验(a posteriori)误差估计驱动自适应网格加密(Adaptive Mesh Refinement, AMR)。变分PINN(Variational PINN, VPINN)以弱形式将PDE残差加权于有限维测试空间,用数值积分替代精确内积,虽提升了某些PDE的求解表现,但仍缺少理论保证的误差认证手段。对于非线性耦合的稳态不可压Navier–Stokes方程(NSE),现有VPINN无元件能量等价于FEM的后验误差指示器(a posteriori error estimator),无法定位误差集中区域并指导网格自适应。本文旨在填补这一空白,为VPINN–NSE建立具可靠性与局部有效性的a posteriori误差估计器,并设计可驱动配点(quadrature point)分布的自适应算法。
二、主要关键技术方法
作者在VPINN框架中引入分段多项式有限元测试空间,定义含八项PDE投影误差ηp,k(速度梯度、压力场、对流项及散度在L2(T)与加权L2ω(T)下经(πr?I)投影之范数)、四项数据失配误差ηd,i(源项f与附加约束ζ之投影残差)、损失残差ηl(最小化之变分损失加权范数)及局部PDE残差ηr(含单元体残差与内边法向跳跃[[·]]),各量均于单元T或边e局部可算;证明全局η满足可靠性上界‖uθ?u‖H1+‖pσ?p‖L2? ‖DF(u,p)?1‖·η与局部效率关系;依D?rfler标记(θ=0.6~0.9)选取大误差单元做红绿细化生成新求积点集,迭代训练神经网络参数(θ,σ)于各层网格。数值验证采用二维Kovasznay流(ν=0.025,0.25)与L形域奇性解,速度场用边界消失网络Υ·wθ+Ξ拟合,压力用pσ独立网络,tanh激活,高斯求积r=3,Adam优化。
三、研究结果
Section 3 Table 1 — Components of a posteriori error estimator
列出ηp,1~8、ηd,1~4、ηl、ηr具体表达式,说明加权离散L2ω(T)半范数以求积点和权重定义,张量跳跃[[πr(μ?uθ?pσI)]]沿内边定义,投影πk满足(πkφ?φ,1)T=0。局部指示器η2(T)=ηp2(T)+ηd2(T)+ηl2(T)+ηr2(T),全局η2(M)=ΣT∈Mη2(T)。结论:所有分量局部可算,适于驱动AMR。
Theorem 3.1 (Reliability)
若(u,p)为正则解且DF(u,p)为同构,(uθ,pσ)为VPINN损失极小解且靠近真解,则‖uθ?u‖H1(Ω)+‖pσ?p‖L2(Ω)≤ C·‖DF(u,p)?1‖·η。结论:η为能量误差之上界,具可靠性。
Theorem 3.2 (Local Efficiency)
对任意T∈Th及内边e,单元体残差、散度残差、跳跃项及损失残差分别被局部真误差加对应ηp,k、ηd,1及patch上η控制。结论:η具局部有效性(效率常数依赖解正则性与网格比),不过ηl项含训练质量信息。
Algorithm 1 — Adaptive VPINN
SOLVE VPINN → 计算η(T) → Mark(D?rfler或max值)→ Refine(红绿)→ 循环。结论:可实现自动配点分布优化。
Section 4 Example 4.1 — Kovasznay Flow
( a ) ν=0.025:η随训练下降并与e平行,η>e符合可靠性;各分量中ηl主导后期,ηd≈O(10?7)可略。( b ) ν=0.25自适应vs均匀:同求积点数下自适应得eu+ep与η均更小;标记正确锁定左侧梯度区,ηp经细化压制,ηl成主贡献。结论:自适应VPINN较均匀网格高效降误差。
Section 4 Example 4.2 — L–shaped Domain
奇性解自适应细化聚焦重入角与底部边界,ηd,2(初占优)经加密降至与ηr相当,均匀网格难压制该项。结论:自适应平衡各项误差分量,优于均匀细化。
四、讨论与结论翻译
本文首次为求解稳态NSE之VPINN构建了具严格可靠性与局部有效性之a posteriori误差估计器,突破传统PINN/VPINN缺误差认证之局限;估计器融合PDE投影误差、数据失配、训练损失残差及局部微分残差,全面反映近似保真度。数值实验证实估计器能正确标识误差热点并引导网格(求积点)自适应分布,使VPINN在较少配点获更高精度。该框架为科学机器学习中PDE求解器之误差可控与自适应提供理论基础与实用工具。
研究结论:The proposed a posteriori error estimator for the VPINN approximation of the steady incompressible Navier–Stokes equations is reliable in the sense of providing a computable upper bound on the energy error, and locally efficient up to oscillations from the projection of PDE components and data. The adaptive VPINN algorithm driven by this estimator outperforms uniform mesh strategies in resolving solution singularities and reducing both the velocity H1and pressure L2errors, as demonstrated by two?dimensional numerical examples.