PINN结构分析

PINN结构分析的理论基础

用网络表示位移场

结构版的PINN用神经网络表示位移场 \( \mathbf{u}(\mathbf{x}) \)，并以满足弹性力学控制方程为目标进行训练。定式化大体分为两条路线。

能量形式的思路是"把变分原理直接用作网络的损失"，在结构领域往往比强形式训练得更稳定，值得作为第一候选。

与流体版PINN的差异——结构特有的处境

结构PINN与流体（PINN流体分析）相比有三点不同的处境。①多数问题的解光滑而平缓，低容量的网络也容易表示（这是适合PINN的性质）。②但主战场往往是应力集中与奇异点（尖角、裂纹），恰恰是网络的弱项。③塑性、接触这类路径依赖的非线性与"用一个函数表示整个场"的PINN框架本质上不合拍，目前仍处于研究阶段。也就是说，线弹性的反问题与数据融合才是实务适用范围，强非线性的正问题仍是有限元的独角戏。

用在哪里才能取胜

让训练成立的数值手法

硬边界条件与无量纲化

结构问题中同样，位移边界条件的硬化（用距离函数 \( \phi(\mathbf{x}) \) 构造 \( \mathbf{u} = \mathbf{u}_D + \phi\,\mathcal{N} \)）是训练稳定性的关键。此外应力（GPa量级）与位移（mm量级）相差数个数量级，因此必须用特征长度与特征应力彻底无量纲化，把全部输出与全部损失项拉到O(1)。若疏忽这一步，就只有梯度大的项被学到，出现"位移对得上、应力却一塌糊涂"的崩溃。

用混合定式化降低微分阶数

当强形式中应力的微分噪声成为问题时，把位移与应力作为各自独立输出的混合定式化很有效。把本构关系 \( \boldsymbol{\sigma} = \mathbb{C}:\boldsymbol{\varepsilon}(\mathbf{u}) \) 作为附加损失项施加，平衡方程就只用应力输出的一阶导数来写——高阶导数消失，自动微分的成本与数值噪声随之减少，应力场的质量提高。对需要四阶导数的板·壳问题尤其见效。

能量形式中"数值积分"决定精度

DEM的损失是能量的区域积分，若用蒙特卡罗积分（随机点平均）来评估，积分误差就会直接变成解的误差。实务上的做法是：①把积分点设计成固定网格＋高斯求积式的权重，②在应力集中部位加密积分点，③把积分点数加倍并确认解不再变化——也就是以"积分的收敛性确认"代替网格收敛性确认，这才是验证的规矩。

实务适用流程

制胜模式——由DIC全场数据辨识材料

1. 观测——用试样的DIC测量获取全场的位移·应变场
2. 定式化——把位移网络与未知材料参数（弹性模量分布、各向异性常数）同时作为训练变量。损失＝平衡残差＋DIC一致项＋边界条件
3. 训练——无量纲化→Adam→L-BFGS。记录参数估计值的收敛历程
4. 验证——与留出区域DIC数据的一致性，以及用辨识值做有限元正分析后与实测的对照

与传统FEMU（有限元模型修正法）相比，优点是不需要建立有限元网格与观测点的对应关系，并能自然地处理作为分布的材料常数（随空间变化的杨氏模量）。缺陷检测用的是同一套框架，把"刚度下降场"作为未知函数来推定。

验证的纪律——不省略与有限元参考解的对比

PINN结构分析的报告中要包含：①与同一问题的有限元参考解的范数误差（位移与应力分别给出），②能量收支（外力功与内能是否一致），③留出观测点上的误差，④改变初始随机种子多次训练所得结果的离散度。尤其应力比位移多放大一阶误差，因此要按"位移差1%、应力差10%"才是常态的前提来设定允许误差。

适用可否速查表

框架与实现

实现手段对比

实现骨架（能量形式·二维平面应力）

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)                  # 用距离函数严格施加u=0边界
    eps = strain(u, x_int)                   # 用自动微分求应变
    W = 0.5 * torch.sum(stress(eps) * eps, dim=1)   # 应变能密度
    Pi_int = torch.sum(w_int * W)            # 区域积分(设计好的积分点+权重)
    u_t = hard_bc(net, x_trac)
    Pi_ext = torch.sum(t_bar * u_t) * ds     # 面力所做的功
    return Pi_int - Pi_ext                   # 最小化对象

实务构成是在这个骨架上叠加无量纲化、积分点的收敛性确认，以及与有限元参考解的对比。材料辨识时再追加 E_field = param_net(x) 这样的第二个网络，用同一个损失同时训练。

前沿研究动态

向断裂·损伤的扩展——相场PINN

用相场（损伤变量的场）表示裂纹扩展的框架在形式上与PINN很契合，用网络预测裂纹路径的研究相当活跃。但由于能量泛函的非凸性，训练难度大，标准做法是逐级提高载荷、以前一级的解作为初值的延拓式训练。目前以二维·简单形状的验证为主，距离实务应用还差一步。

路径依赖（塑性·粘弹性）问题的挑战

对塑性这类历史依赖问题，"用一个函数表示整个场"的朴素PINN并不成立，因此三条路线在并行研究：①按时间·载荷增量逐步更新网络的增量型，②把内变量场作为附加输出的定式化，③只把本构关系替换为网络并嵌入有限元的混合方案。离实务最近的是③，从实验数据学习本构关系再用于有限元的流程，已经开始被整合进商用工作流。

算子学习·代理模型的关系梳理

从大量有限元结果中学习"形状·载荷→应力场"这一映射的算子学习（DeepONet·FNO·GNN系），在需要反复评估的场合（优化、实时数字孪生）非常强。分工与流体相同：只有一个工况数据的反问题用PINN，大量工况的快速评估用算子学习，少数工况的不确定性量化用Kriging——按这样的三分法思考，就不容易在"结构×机器学习"的选型上出错。

故障排查

按症状的原因与对策

与有限元共存是前提

相关文章：PINN流体分析、PINN相关文章一览、贝叶斯标定（辨识结果的不确定性评估）。