PINN構造解析

PINN構造解析の理論基礎

変位場をネットワークで表す

構造版のPINNは、変位場 \( \mathbf{u}(\mathbf{x}) \) をニューラルネットワークで表現し、弾性力学の支配方程式を満たすように学習します。定式化には大きく2系統あります。

エネルギー形式は「変分原理をNNの損失にそのまま使う」発想で、構造分野では強形式より安定に動くことが多く、第一候補にする価値があります。

流体版PINNとの違い——構造ならではの事情

構造のPINNには流体（PINN流体解析）と異なる事情が3つあります。①解が滑らかで穏やかな問題が多く、低容量のネットワークでも表現しやすい（PINN向きの性質）。②一方で応力集中・特異点（角・き裂）が主戦場になりがちで、そこはNNの苦手領域。③塑性・接触など経路依存の非線形は「場を1つの関数で表す」PINNの枠組みと本質的に相性が悪く、現状は研究段階です。つまり、線形弾性の逆問題・データ融合が実務的な適用範囲で、強非線形の順問題はFEMの独壇場が続いています。

何に使うと勝てるか

学習を成立させる数値手法

ハード境界条件と無次元化

構造でも変位境界条件のハード化（距離関数 \( \phi(\mathbf{x}) \) を使い \( \mathbf{u} = \mathbf{u}_D + \phi\,\mathcal{N} \) と構成）が学習安定性の要です。また応力（GPa級）と変位（mm級）は桁が離れているため、代表長さ・代表応力での無次元化を徹底し、全出力・全損失項をO(1)に揃えます。これを怠ると、勾配が大きい項だけが学習され「変位は合うが応力がでたらめ」といった破綻が起きます。

混合定式化で微分階数を下げる

強形式で応力の微分ノイズが問題になる場合、変位と応力を別々の出力として持つ混合定式化が有効です。構成則 \( \boldsymbol{\sigma} = \mathbb{C}:\boldsymbol{\varepsilon}(\mathbf{u}) \) を追加の損失項として課し、釣り合い式は応力出力の1階微分だけで書く——高階微分が消えるぶん自動微分のコストと数値ノイズが減り、応力場の品質が上がります。板・シェル（4階微分）では特に効果的です。

エネルギー形式は「数値積分」が精度を決める

DEMの損失はエネルギーの領域積分で、モンテカルロ積分（ランダム点平均）で評価すると積分誤差が解の誤差に直結します。実務的には、①積分点を固定グリッド＋ガウス求積的な重みで設計する、②応力集中部に積分点を集める、③積分点数を倍にして解が動かないことを確認する、という「積分の収束確認」をメッシュ収束確認の代わりに行うのが検証の作法になります。

実務適用の手順

勝ちパターン——DIC全視野データからの材料同定

1. 観測 — 試験片のDIC計測で全視野の変位・ひずみ場を取得
2. 定式化 — 変位NNと未知材料パラメータ（弾性率分布・異方性定数）を同時に学習変数へ。損失=釣り合い残差＋DIC一致項＋境界条件
3. 学習 — 無次元化→Adam→L-BFGS。パラメータの推定値の収束履歴を記録
4. 検証 — ホールドアウト領域のDICデータとの一致、同定値でのFEM順解析と実測の突き合わせ

従来のFEMU（FEM更新法）と比べた利点は、FEMメッシュと観測点の対応付けが不要で、分布としての材料定数（空間的に変わるヤング率）を自然に扱えることです。欠陥検出も同じ枠組みで、「剛性低下場」を未知関数として推定します。

検証の規律——FEM参照解との比較を省かない

PINN構造解析の報告には、①同一問題のFEM参照解とのノルム誤差（変位・応力それぞれ）、②エネルギー収支（外力仕事と内部エネルギーの一致）、③観測ホールドアウトでの誤差、④初期乱数を変えた複数回学習での結果ばらつき、を含めます。特に応力は変位より1階分誤差が増幅されるため、「変位は1%・応力は10%ずれる」のが普通という前提で許容誤差を設計します。

適用可否の早見表

フレームワークと実装

実装手段の比較

実装の骨格（エネルギー形式・2D平面応力）

import torch

net = MLP(in_dim=2, out_dim=2, width=64, depth=5, act=torch.tanh)  # u(x,y)

def energy_loss(x_int, w_int, x_trac, t_bar):
    u = hard_bc(net, x_int)                  # 距離関数でu=0境界を厳密化
    eps = strain(u, x_int)                   # 自動微分でひずみ
    W = 0.5 * torch.sum(stress(eps) * eps, dim=1)   # ひずみエネルギー密度
    Pi_int = torch.sum(w_int * W)            # 領域積分(設計した積分点+重み)
    u_t = hard_bc(net, x_trac)
    Pi_ext = torch.sum(t_bar * u_t) * ds     # 表面力の仕事
    return Pi_int - Pi_ext                   # 最小化対象

この骨格に、無次元化・積分点の収束確認・FEM参照との比較を組み合わせるのが実務構成です。材料同定では E_field = param_net(x) のような第2ネットワークを追加し、同じ損失で同時学習します。

先端研究の動向

破壊・損傷への拡張——フェーズフィールドPINN

き裂進展をフェーズフィールド（損傷変数の場）で表す枠組みはPINNと形式的に相性が良く、き裂経路の予測をNNで行う研究が活発です。ただしエネルギーランドスケープの非凸性から学習は難しく、荷重を段階的に上げながら前段の解を初期値にする継続学習が標準です。現状は2D・単純形状の実証が中心で、実務適用はもう一歩先の段階です。

経路依存（塑性・粘弾性）への挑戦

塑性のような履歴依存問題では「場を1つの関数で表す」素朴なPINNが成立しないため、①時間・荷重増分ごとにネットワークを更新する増分型、②内部変数場を追加出力する定式化、③構成則部分だけをNNに置き換えてFEMに埋め込むハイブリッド、が並行して研究されています。実務に最も近いのは③で、実験データから構成則を学習してFEMで使う流れは商用ワークフローへの統合が始まっています。

演算子学習・サロゲートとの関係整理

「形状・荷重→応力場」の写像を大量のFEM結果から学ぶ演算子学習（DeepONet・FNO・GNN系）は、繰り返し評価（最適化・リアルタイムダイジタルツイン）で強力です。役割分担は流体と同じで、データが1ケースしかない逆問題はPINN、大量ケースの高速評価は演算子学習、少数ケースのUQはクリギングという三分法で考えると、構造×MLの選択を誤りにくくなります。

トラブル対応

症状別の原因と対策

FEMとの共存が前提

関連記事：PINN流体解析、PINN関連記事一覧、ベイズキャリブレーション（同定の不確かさ評価）。