Robust Physics-Informed Neural Network Approach for Estimating Heterogeneous Elastic Properties from Noisy Displacement Data

要約

騒々しい変位測定からの空間的に不均一な弾力性パラメーター、特にヤング率とポアソン比を正確に推定することは、逆弾性の問題では非常に困難なままです。
既存の逆推定技術は、不安定性、測定ノイズに対する感度と顕著な感受性、および絶対規模のヤング率の回復の困難によってしばしば制限されます。
この作業は、線形弾性物理学に基づいてノイズの多い変位データから弾性パラメーターの不均一な分布を堅牢に再構築するように特別に設計された、特別に設計された新しい逆弾性物理学に基づいたニューラルネットワーク（IE-PINN）を提示します。
IE-PINNは、変位フィールド、ひずみフィールド、および弾力性分布の個別のモデル化に特化した3つの異なるニューラルネットワークアーキテクチャを統合し、測定ノイズに対する安定性と精度を大幅に向上させます。
さらに、2相推定戦略が導入されています。第1相は、ヤング率とポアソン比の相対的な空間分布を回復し、第2相は、課された負荷境界条件を使用してヤング率の絶対スケールを調整します。
位置エンコーディング、正弦活性化関数、連続的な前削減プロトコルなどの追加の方法論的革新により、モデルのパフォーマンスと堅牢性がさらに向上します。
広範な数値実験は、IE-PINNが既存の方法で遭遇する重要な制限を効果的に克服し、深刻な騒音条件下でも正確な絶対規模の弾性推定を提供することを示しています。
この進歩は、臨床イメージングの診断と機械的特性評価の大きな可能性を秘めています。測定は通常、かなりの騒音に遭遇します。

要約(オリジナル)

Accurately estimating spatially heterogeneous elasticity parameters, particularly Young’s modulus and Poisson’s ratio, from noisy displacement measurements remains significantly challenging in inverse elasticity problems. Existing inverse estimation techniques are often limited by instability, pronounced sensitivity to measurement noise, and difficulty in recovering absolute-scale Young’s modulus. This work presents a novel Inverse Elasticity Physics-Informed Neural Network (IE-PINN) specifically designed to robustly reconstruct heterogeneous distributions of elasticity parameters from noisy displacement data based on linear elasticity physics. IE-PINN integrates three distinct neural network architectures dedicated to separately modeling displacement fields, strain fields, and elasticity distributions, thereby significantly enhancing stability and accuracy against measurement noise. Additionally, a two-phase estimation strategy is introduced: the first phase recovers relative spatial distributions of Young’s modulus and Poisson’s ratio, and the second phase calibrates the absolute scale of Young’s modulus using imposed loading boundary conditions. Additional methodological innovations, including positional encoding, sine activation functions, and a sequential pretraining protocol, further enhance the model’s performance and robustness. Extensive numerical experiments demonstrate that IE-PINN effectively overcomes critical limitations encountered by existing methods, delivering accurate absolute-scale elasticity estimations even under severe noise conditions. This advancement holds substantial potential for clinical imaging diagnostics and mechanical characterization, where measurements typically encounter substantial noise.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google