Bu derste öğrenecekleriniz
- PINN kaybını veri, denklem ve sınır terimleriyle kurmak
- Otomatik türevle yüksek mertebeli türevleri hesaplamak (
create_graph=True) - Boyutsuzlaştırma, sert ve yumuşak sınır koşulları ve Adam + L-BFGS eğitimini uygulamak
- Ters problemde bilinmeyen bir parametreyi (EI) ağla birlikte öğrenmek
- PINN'i sonlu elemanlarla dürüstçe karşılaştırmak ve sınırlarını açıklamak
1. Fikir: denklemi kayıp fonksiyonuna koymak
Önceki derslerde mühendislik denklemlerini veri üretmek için kullandık: Proje 3'te analitik kiriş çözümlerinden, Ders 12'de plak çözümlerinden binlerce örnek ürettik ve bir ağa bu örnekleri ezberlettik. Ağ denklemi hiç görmedi; yalnızca denklemin çıktılarını gördü.
Fizik bilgili sinir ağları (physics-informed neural networks, PINN) başka bir yol izler. Raissi, Perdikaris ve Karniadakis'in 2019'da sistemleştirdiği fikir şudur: bilinmeyen alanı, örneğin sehimi, bir sinir ağıyla temsil et ve ağın denklemi ne kadar sağladığını doğrudan kayıp fonksiyonuna koy. Bir diferansiyel denklem $\mathcal N[u] = f$, sınır koşulu $\mathcal B[u] = g$ ve varsa birkaç ölçüm $u(x_i) = d_i$ için ağ $u_\theta(x)$ şu kaybı küçültür:
$$ \mathcal L(\theta) = \lambda_d\,\mathcal L_{\text{veri}} + \lambda_r\,\mathcal L_{\text{denklem}} + \lambda_b\,\mathcal L_{\text{sınır}} $$Üç terim de ortalama kare artıklardır:
$$ \mathcal L_{\text{veri}} = \frac{1}{N_d}\sum_{i} \big(u_\theta(x_i) - d_i\big)^2 $$ $$ \mathcal L_{\text{denklem}} = \frac{1}{N_r}\sum_{j} \big(\mathcal N[u_\theta](x_j) - f_j\big)^2 $$ $$ \mathcal L_{\text{sınır}} = \frac{1}{N_b}\sum_{k} \big(\mathcal B[u_\theta](x_k) - g_k\big)^2 $$Burada $f_j = f(x_j)$, $g_k = g(x_k)$. Denklem artığının hesaplandığı $x_j$ noktalarına kolokasyon noktaları denir. Bu noktalarda hiçbir ölçüm gerekmez; istediğimiz kadar ve istediğimiz yerde seçebiliriz. Ölçüm hiç yoksa (ileri problem) ağ yalnızca fizikten öğrenir. Ölçüm varsa ve denklemde bilinmeyen bir parametre de varsa (ters problem) ağ hem alanı hem parametreyi birlikte bulur. Bu derste ikisini de yapacağız.
$\mathcal N[u_\theta]$ ağın girdiye göre türevlerini içerir. Bu türevler sonlu farkla değil, Ders 12'deki otomatik türevle, makine hassasiyetinde hesaplanır. Ağ, sonuçta türevlenebilir bir fonksiyondur ve PyTorch onun her türevini zincir kuralıyla çıkarabilir.
2. Kiriş problemi ve boyutsuzlaştırma
Düzgün yayılı $q$ yükü altındaki basit mesnetli Euler–Bernoulli kirişinin denklemi ve sınır koşulları:
$$ EI\,\frac{\dd^4 w}{\dd x^4} = q $$ $$ w(0) = w(L) = 0 $$ $$ w''(0) = w''(L) = 0 $$İlk iki koşul mesnetlerde sehimin, son ikisi momentin ($M = -EI\,w''$) sıfır olduğunu söyler. Kesin çözüm bilinir; orta noktada sehim $5qL^4/(384EI)$, moment $qL^2/8$'dir. Kesin çözümü bildiğimiz bir problemi seçmemiz bilinçlidir: yöntemin hatasını tam olarak ölçebileceğiz. Kirişin dinamik davranışını MKC 527 Euler–Bernoulli kiriş titreşimi ders notunda bulabilirsiniz.
Fiziksel birimlerde sayılar çok farklı mertebelerdedir: $EI$ on binler mertebesinde (kN·m²), sehim milimetre, dördüncü türev ise $10^{-4}$ m⁻³ mertebesinde. Ders 02'de gördüğümüz gibi en iyileyiciler 1 mertebesindeki sayılarla iyi çalışır. Bu yüzden önce boyutsuzlaştırıyoruz: $\xi = x/L$ ve $\hat w = w\,EI/(qL^4)$. Zincir kuralıyla $\dd^4 w/\dd x^4 = (q/EI)\, \dd^4\hat w/\dd\xi^4$ olur ve denklem $\xi \in [0, 1]$ aralığında parametresiz bir biçime iner:
$$ \hat w'''' = 1 $$ $$ \hat w(0) = \hat w(1) = 0 $$ $$ \hat w''(0) = \hat w''(1) = 0 $$Kesin çözüm ve boyutsuz moment:
$$ \hat w = \frac{\xi^4 - 2\xi^3 + \xi}{24} $$ $$ \hat w\big(\tfrac12\big) = \frac{5}{384} $$ $$ \hat M = -\hat w'' = \frac{\xi(1-\xi)}{2} $$3. Ağ, türevler ve kayıp
Aktivasyon seçimi
Ağımız üç gizli katmanlı, katman başına 32 nöronlu bir çok katmanlı algılayıcı; 2.209 parametre. Aktivasyon olarak tanh kullanıyoruz. Bu seçim burada keyfi değildir. ReLU parça parça doğrusaldır; ikinci ve daha yüksek türevleri (neredeyse her yerde) sıfırdır. ReLU'lu bir ağın $\hat w''''$'ü sıfır çıkar ve denklem artığı hiçbir zaman küçülmez. $\tanh$ ise sonsuz kez türevlenebilir. Girdiyi de $[0, 1]$ yerine $[-1, 1]$ aralığına taşıyoruz.
Sert ve yumuşak sınır koşulları
Sınır koşullarını iki yoldan uygulayabiliriz. Yumuşak (soft) yolda kayba bir ceza terimi eklenir; koşul ancak yaklaşık sağlanır ve terimin ağırlığını ayarlamak gerekir. Sert (hard) yolda ağın çıktısı, koşulu her ağırlık için kendiliğinden sağlayacak biçimde dönüştürülür. Sehim koşulları için bu kolaydır:
$$ \hat w(\xi) = \xi\,(1 - \xi)\, N(\xi) $$$N$ ağın ham çıktısıdır. $\xi = 0$ ve $\xi = 1$'de çarpan sıfır olduğu için $\hat w(0) = \hat w(1) = 0$ her zaman doğrudur. Moment koşulları ise bu dönüşümle sağlanmaz; onları yumuşak terim olarak bırakıyoruz. Karmaşık geometrilerde uygun bir dönüşüm bulmak zor olabilir, bu yüzden pratikte iki yol sık sık birlikte kullanılır.
class PINN(nn.Module):
"""ŵ(ξ) = ξ(1 − ξ)·N(ξ): ŵ(0) = ŵ(1) = 0 her ağırlık için kendiliğinden sağlanır (sert koşul)."""
def __init__(self, gizli=32, katman=3, ters=False):
super().__init__()
k, n = [], 1
for _ in range(katman):
k += [nn.Linear(n, gizli), nn.Tanh()]
n = gizli
k.append(nn.Linear(n, 1))
self.N = nn.Sequential(*k)
self.log_ei = nn.Parameter(torch.zeros(())) if ters else None # log(EI / EI_ref)
def forward(self, xi):
return xi * (1 - xi) * self.N(2 * xi - 1) # girdi [−1, 1] aralığına taşınırOtomatik türevle dördüncü türev
torch.autograd.grad, bir çıktının girdiye göre türevini verir. create_graph=True ise bu türevin de bir hesap grafiği olarak saklanmasını sağlar. Böylece türevin türevini alabilir ve en sonunda kaybı ağırlıklara göre geri yayabiliriz. Dört kez iç içe uygulayınca $\hat w''''$ elde edilir:
def turevler(model, xi):
"""[ŵ, ŵ', ŵ'', ŵ''', ŵ''''] — otomatik türevle, create_graph=True ile iç içe."""
xi = xi.clone().requires_grad_(True)
d = [model(xi)]
for _ in range(4):
d.append(torch.autograd.grad(d[-1].sum(), xi, create_graph=True)[0])
return d
def fizik_kaybi(model):
d = turevler(model, XI)
rijitlik = torch.exp(model.log_ei) if model.log_ei is not None else 1.0
r = rijitlik * d[4][:-2] - 1.0 # denklem artığı: (EI/EI_ref)·ŵ'''' − 1
m = 8 * d[2][-2:] # uç momentleri, qL²/8 ölçeğine göre
return (r**2).mean(), (m**2).mean()d[-1].sum()'nin türevini almak bir kısayoldur: her nokta yalnızca kendi girdisine bağlı olduğu için toplamın $\xi_j$'ye göre türevi, $j$ noktasındaki türevin kendisidir. XI, 64 eşit aralıklı iç kolokasyon noktası ile iki uç noktasını birlikte tutar; türevler hepsi için tek seferde hesaplanır. İleri problemde kayıp, denklem artığının ortalama karesi ile iki uçtaki moment artığının ortalama karesinin toplamıdır. Moment artığını $8\hat w''$ olarak, yani en büyük moment $1/8$'e göre ölçekleyerek yazdık; iki terim böylece aynı mertebededir.
4. Eğitim: önce Adam, sonra L-BFGS
PINN kayıpları, düzgün ama kötü koşullu yüzeylerdir. Pratikte yaygın tarif iki aşamalıdır. Önce Adam ile bir iki bin adım: başlangıçtan uzakta güvenilir biçimde ilerler, ama minimuma yaklaşınca adımları gürültülü kalır. Sonra L-BFGS: son birkaç gradyandan eğrilik bilgisini kestiren, Newton'a benzer bir yöntem. Kayıp deterministik olduğunda (bütün kolokasyon noktaları her adımda kullanılıyorsa) minimumun çevresinde çok daha hızlı yakınsar. PyTorch'ta L-BFGS, kaybı yeniden hesaplayan bir closure fonksiyonu ister, çünkü doğru arama (line search) sırasında kaybı birkaç kez değerlendirir. Bütün hesabı 64 bit kayan noktayla yapıyoruz; dördüncü türevde ve L-BFGS'in son adımlarında 32 bitin hassasiyeti yetmeyebilir.
5. Ters problem: ölçümden eğilme rijitliği
Şimdi gerçekçi bir soru soralım. Açıklığı $L = 6$ m olan bir kiriş $q = 10$ kN/m yük altında. Kirişin üzerine 0,75 m aralıkla 7 sehim ölçer yerleştirdik. $EI$'yi bilmiyoruz; ölçümlerden bulmak istiyoruz. Sentetik ölçümleri gerçek $EI = 20.000$ kN·m² ile ürettik ve her birine standart sapması en büyük sehimin %1,5'i (0,127 mm) olan gürültü ekledik. Yöntem gerçek değeri bilmiyor; başlangıç tahmini $EI_{\text{ref}} = 10.000$ kN·m², yani gerçeğin yarısı.
Bilinmeyen parametreyi doğrudan değil, logaritmasıyla öğreniyoruz: $\theta = \log(EI/EI_{\text{ref}})$. Böylece $EI$ her zaman pozitiftir ve 2 kat hata ile 0,5 kat hata en iyileyicinin gözünde simetriktir. Boyutsuzlaştırmayı $EI_{\text{ref}}$ ile yapınca ($w = qL^4\hat w/EI_{\text{ref}}$) denklem şuna dönüşür:
$$ e^{\theta}\, \hat w'''' = 1 $$$\theta$, ağın ağırlıklarıyla birlikte aynı kayıpla eğitilen sıradan bir parametredir. Kayba bir veri terimi eklenir. Burada bir tuzak var. Veri terimi fizik terimlerinin yanında çok ağır basarsa, en iyileyici fiziği biraz gevşeterek ölçümlere daha iyi uymayı seçebilir ve bunun ucuz yolları vardır. Örneğin yüklenmemiş bir kirişin denklemini, $\hat w'''' = 0$'ı, iki ucu sıfır olan her parabol $a\,\xi(1-\xi)$ sağlar; ağ sehim eğrisine böyle bir parabol ekleyerek ölçümlere daha iyi uyabilir ve bunun tek bedeli uçlarda küçük bir moment hatasıdır. Ya da eğriyi ölçüm gürültüsüne uyacak biçimde büker ve denklem artığını büyütür. İki durumda da $EI$ yanlış çıkar. Bu yüzden veri artığını ölçümlerin büyüklüğüne bölüyoruz: veri terimi ölçümlerdeki bağıl hatanın karesidir ve fizik terimlerinin yanında hafif kalır. Fizik “kesin” kabul edilir, veri ise yalnızca $\theta$'yı seçer. Ağırlıklar farklı seçilince ne olduğunu Alıştırma 4'te göreceksiniz.
def ters_kayip(model):
r2, m2 = fizik_kaybi(model)
v2 = (((model(xi_olc) - d_olc) / d_olc.abs().max())**2).mean() # ölçümlerin büyüklüğüne göre
return v2 + r2 + m2Dürüst bir referans
Bu problemde kesin çözümün biçimini biliyoruz: $w(x) = \varphi(x)/EI$, $\varphi(x) = qx(L^3 - 2Lx^2 + x^3)/24$. $1/EI$ tek bir doğrusal parametredir ve en küçük kareler çözümü tek satırdır: $1/EI = \sum_i \varphi_i w_i / \sum_i \varphi_i^2$. Bir mühendis bu problemi PINN'le değil, böyle çözer. PINN'in değeri, biçimin kapalı olarak bilinmediği durumlarda ortaya çıkar: kesiti değişen bir kiriş, karmaşık mesnet koşulları ya da bir plak. O zaman da tarif aynı kalır: denklem, sınır koşulları, ölçümler ve bilinmeyen parametre aynı kayıpta. Karşılaştırmayı bu yüzden yapıyoruz: PINN en azından basit yöntemin bulduğunu bulmalı.
6. Çalıştırılabilir kod
Betik dört bölümden oluşur: ağ ve kayıp tanımları, ileri problem ve sonlu eleman karşılaştırması, ters problem ve grafikler. Her eğitim 1.500 Adam adımı ve en çok 300 L-BFGS yinelemesinden oluşur. Dördüncü türevin hesap grafiği büyük olduğu için tek bir adım küçük ağa rağmen pahalıdır; bütün betik iki çekirdekli bir işlemcide birkaç dakika sürer.
"""Ders 16 — Fizik bilgili sinir ağları (PINN).
Basit mesnetli, düzgün yayılı yüklü Euler–Bernoulli kirişi: EI w'''' = q, w = w'' = 0 (iki uçta).
Boyutsuz biçim: ξ = x/L, ŵ = w·EI/(qL⁴) → ŵ'''' = 1, ŵ(0) = ŵ(1) = 0, ŵ''(0) = ŵ''(1) = 0.
Kesin çözüm: ŵ = (ξ⁴ − 2ξ³ + ξ)/24, orta nokta 5/384.
1) İleri problem: ağ hiç veri görmeden yalnız denklemden ve sınır koşullarından öğrenir.
Karşılaştırma: 4 elemanlı Hermite kiriş elemanı (sonlu elemanlar) çözümü.
2) Ters problem: 7 gürültülü sehim ölçümünden bilinmeyen eğilme rijitliği EI'yi bulmak.
L = 6 m, q = 10 kN/m, gerçek EI = 20 000 kN·m²; ölçüm gürültüsü en büyük sehimin %1,5'i (sentetik).
Karşılaştırma: kesin çözümün biçimini bilerek yapılan en küçük kareler uydurması.
Çalıştır: python d16_pinn_kiris.py
Gerekenler: numpy, matplotlib, torch (Python 3.12+)
Süre: 2 çekirdekli bir işlemcide birkaç dakika; makineye göre değişir
Çıktılar: terminale sayılar, aynı klasöre üç PNG grafiği
"""
from pathlib import Path
import numpy as np
import matplotlib
matplotlib.use("Agg") # pencere açmadan dosyaya çiz
import matplotlib.pyplot as plt
import torch
from torch import nn
# --- Grafik stili (kurs genelinde aynı) ---
RENK = ["#2a78d6", "#eb6834", "#1baf7a", "#eda100", "#e87ba4", "#008300", "#6250d6", "#e34948"]
MUREKKEP, IKINCIL, SOLUK = "#0b0b0b", "#52514e", "#898781"
plt.rcParams.update({
"figure.facecolor": "white", "axes.facecolor": "white", "savefig.facecolor": "white",
"axes.edgecolor": "#c3c2b7", "axes.labelcolor": IKINCIL, "axes.titlecolor": MUREKKEP,
"axes.titlesize": 11, "axes.titleweight": "bold", "axes.labelsize": 10,
"xtick.color": IKINCIL, "ytick.color": IKINCIL, "font.size": 10,
"axes.grid": True, "grid.color": "#e1e0d9", "grid.linewidth": 0.6,
"axes.spines.top": False, "axes.spines.right": False,
"axes.prop_cycle": plt.cycler(color=RENK), "lines.linewidth": 2, "legend.frameon": False,
})
KLASOR = Path(__file__).resolve().parent
rng = np.random.default_rng(42)
torch.manual_seed(42)
torch.set_default_dtype(torch.float64) # dördüncü türev ve L-BFGS için çift hassasiyet
# %% 1. Ağ, türevler ve kayıp
class PINN(nn.Module):
"""ŵ(ξ) = ξ(1 − ξ)·N(ξ): ŵ(0) = ŵ(1) = 0 her ağırlık için kendiliğinden sağlanır (sert koşul)."""
def __init__(self, gizli=32, katman=3, ters=False):
super().__init__()
k, n = [], 1
for _ in range(katman):
k += [nn.Linear(n, gizli), nn.Tanh()]
n = gizli
k.append(nn.Linear(n, 1))
self.N = nn.Sequential(*k)
self.log_ei = nn.Parameter(torch.zeros(())) if ters else None # log(EI / EI_ref)
def forward(self, xi):
return xi * (1 - xi) * self.N(2 * xi - 1) # girdi [−1, 1] aralığına taşınır
def turevler(model, xi):
"""[ŵ, ŵ', ŵ'', ŵ''', ŵ''''] — otomatik türevle, create_graph=True ile iç içe."""
xi = xi.clone().requires_grad_(True)
d = [model(xi)]
for _ in range(4):
d.append(torch.autograd.grad(d[-1].sum(), xi, create_graph=True)[0])
return d
N_KOL = 64
XI = torch.cat([torch.linspace(0, 1, N_KOL + 2)[1:-1, None], torch.tensor([[0.0], [1.0]])]) # iç + uç
def fizik_kaybi(model):
d = turevler(model, XI)
rijitlik = torch.exp(model.log_ei) if model.log_ei is not None else 1.0
r = rijitlik * d[4][:-2] - 1.0 # denklem artığı: (EI/EI_ref)·ŵ'''' − 1
m = 8 * d[2][-2:] # uç momentleri, qL²/8 ölçeğine göre
return (r**2).mean(), (m**2).mean()
N_ADAM, N_LBFGS = 1500, 300
def egit(model, kayip_fn, n_adam=N_ADAM, n_lbfgs=N_LBFGS):
"""Önce Adam (kaba arama), sonra L-BFGS (ince ayar). Kayıp geçmişini döndürür."""
gruplar = [{"params": model.N.parameters(), "lr": 1e-3}]
if model.log_ei is not None:
gruplar.append({"params": [model.log_ei], "lr": 1e-2})
opt = torch.optim.Adam(gruplar)
gecmis, ei_gecmis = [], []
for _ in range(n_adam):
kayip = kayip_fn(model)
opt.zero_grad()
kayip.backward()
opt.step()
gecmis.append(kayip.item())
if model.log_ei is not None:
ei_gecmis.append(model.log_ei.item())
lbfgs = torch.optim.LBFGS(model.parameters(), lr=1.0, max_iter=n_lbfgs, history_size=50,
tolerance_grad=1e-12, tolerance_change=1e-14, line_search_fn="strong_wolfe")
def kapanis():
lbfgs.zero_grad()
kayip = kayip_fn(model)
kayip.backward()
gecmis.append(kayip.item())
if model.log_ei is not None:
ei_gecmis.append(model.log_ei.item())
return kayip
lbfgs.step(kapanis)
return np.array(gecmis), np.array(ei_gecmis)
def kesin(xi):
return (xi**4 - 2 * xi**3 + xi) / 24
def kesin_egrilik(xi):
return (xi**2 - xi) / 2 # ŵ''; boyutsuz moment M̂ = −ŵ''
# %% 2. İleri problem: veri yok, yalnız fizik
model = PINN()
gecmis_ileri, _ = egit(model, lambda m: sum(fizik_kaybi(m)))
xi_ince = torch.linspace(0, 1, 1001)[:, None]
d = turevler(model, xi_ince)
w_p, w2_p, w4_p = (d[k].detach().numpy().ravel() for k in (0, 2, 4))
xi_n = xi_ince.numpy().ravel()
w_k, w2_k = kesin(xi_n), kesin_egrilik(xi_n)
hata_L2 = np.linalg.norm(w_p - w_k) / np.linalg.norm(w_k)
hata_orta = (w_p[500] - 5 / 384) / (5 / 384)
hata_moment = np.abs(w2_p - w2_k).max() / (1 / 8)
artik_ince = np.abs(w4_p - 1)
print("=== 1. İleri problem: ŵ'''' = 1, basit mesnet ===")
print(f"Ağ: 3 gizli katman × 32 nöron (tanh), {sum(p.numel() for p in model.N.parameters())} parametre; "
f"{N_KOL} iç kolokasyon noktası")
print(f"Eğitim: {N_ADAM} Adam adımı + {len(gecmis_ileri) - N_ADAM} L-BFGS değerlendirmesi")
print(f"Kayıp: Adam sonunda {gecmis_ileri[N_ADAM - 1]:.2e}, L-BFGS sonunda {gecmis_ileri[-1]:.2e}")
print(f"Bağıl L2 hatası (sehim) : {hata_L2:.2e}")
print(f"Orta nokta: PINN {w_p[500]:.7f}, kesin 5/384 = {5 / 384:.7f}, bağıl hata {hata_orta:.1e}")
print(f"Moment (ŵ'') en büyük hatası : {hata_moment:.2e} (qL²/8'e göre)")
print(f"Denklem artığı |ŵ'''' − 1| (1001 nokta): ortalama {artik_ince.mean():.1e}, "
f"en büyük {artik_ince.max():.1e}")
# Sonlu elemanlarla karşılaştırma: 2 düğümlü Hermite kiriş elemanı, tutarlı yük vektörü (EI = q = L = 1)
def kiris_sey(n_el):
le = 1 / n_el
k = np.array([[12, 6 * le, -12, 6 * le], [6 * le, 4 * le**2, -6 * le, 2 * le**2],
[-12, -6 * le, 12, -6 * le], [6 * le, 2 * le**2, -6 * le, 4 * le**2]]) / le**3
f = le * np.array([1 / 2, le / 12, 1 / 2, -le / 12])
n_sd = 2 * (n_el + 1)
K, F = np.zeros((n_sd, n_sd)), np.zeros(n_sd)
for e in range(n_el):
K[2 * e:2 * e + 4, 2 * e:2 * e + 4] += k
F[2 * e:2 * e + 4] += f
serbest = [i for i in range(n_sd) if i not in (0, n_sd - 2)] # w(0) = w(1) = 0
u = np.zeros(n_sd)
u[serbest] = np.linalg.solve(K[np.ix_(serbest, serbest)], F[serbest])
# eleman içinde eğrilik: Hermite şekil fonksiyonlarının ikinci türevi (eleman başına doğrusal)
s = np.linspace(0, 1, 51)
B = np.stack([(-6 + 12 * s) / le**2, (-4 + 6 * s) / le, (6 - 12 * s) / le**2, (-2 + 6 * s) / le], axis=1)
egrilik = np.concatenate([B @ u[2 * e:2 * e + 4] for e in range(n_el)])
xi_e = np.concatenate([(e + s) * le for e in range(n_el)])
uc = k @ u[n_el - 2:n_el + 2] - f # orta düğümün solundaki elemanın uç kuvvetleri [V, M, V, M]
return u[0::2], egrilik, xi_e, abs(uc[3])
for n_el in (4, 8):
w_dugum, egr, xi_e, m_uc = kiris_sey(n_el)
print(f"SEY, {n_el} eleman ({2 * (n_el + 1)} serbestlik): orta nokta sehim hatası "
f"{abs(w_dugum[n_el // 2] - 5 / 384) / (5 / 384):.1e}")
print(f" moment hatası: şekil fonksiyonu eğriliğinden (en büyük) "
f"{np.abs(egr - kesin_egrilik(xi_e)).max() / (1 / 8):.2e}, eleman uç kuvvetinden (orta) "
f"{abs(m_uc - 1 / 8) / (1 / 8):.1e}")
assert hata_L2 < 1e-3 and abs(hata_orta) < 1e-3
# %% 3. Ters problem: 7 ölçümden EI
L_KIRIS, Q, EI_GERCEK, EI_REF = 6.0, 10.0, 20_000.0, 10_000.0 # m, kN/m, kN·m², başlangıç tahmini
x_olc = 0.75 * np.arange(1, 8) # 0,75 … 5,25 m
w_gercek = Q * x_olc * (L_KIRIS**3 - 2 * L_KIRIS * x_olc**2 + x_olc**3) / (24 * EI_GERCEK)
w_maks = 5 * Q * L_KIRIS**4 / (384 * EI_GERCEK)
s_olc = 0.015 * w_maks # ölçüm gürültüsü (std)
w_olc = w_gercek + rng.normal(0, s_olc, x_olc.size)
# Referans: biçimi bilinen tek parametreli en küçük kareler, w(x) = φ(x)/EI
phi = Q * x_olc * (L_KIRIS**3 - 2 * L_KIRIS * x_olc**2 + x_olc**3) / 24
EI_ekk = (phi @ phi) / (phi @ w_olc)
tekrar = w_gercek + rng.normal(0, s_olc, (2000, x_olc.size)) # aynı deneyi 2000 kez tekrarlasak
EI_tekrar = (phi @ phi) / (tekrar @ phi)
OLCEK = Q * L_KIRIS**4 / EI_REF # w = OLCEK · ŵ
xi_olc = torch.tensor(x_olc / L_KIRIS)[:, None]
d_olc = torch.tensor(w_olc / OLCEK)[:, None]
def ters_kayip(model):
r2, m2 = fizik_kaybi(model)
v2 = (((model(xi_olc) - d_olc) / d_olc.abs().max())**2).mean() # ölçümlerin büyüklüğüne göre
return v2 + r2 + m2
model_t = PINN(ters=True)
gecmis_ters, ei_gecmis = egit(model_t, ters_kayip)
EI_pinn = EI_REF * np.exp(model_t.log_ei.item())
with torch.no_grad():
w_pinn_olc = model_t(xi_olc).numpy().ravel() * OLCEK
print("\n=== 2. Ters problem: 7 sehim ölçümünden EI ===")
print(f"L = {L_KIRIS} m, q = {Q} kN/m, gerçek EI = {EI_GERCEK:.0f} kN·m²; en büyük sehim {w_maks * 1000:.3f} mm, "
f"gürültü std {s_olc * 1000:.3f} mm")
print(f"Başlangıç tahmini EI = {EI_REF:.0f} kN·m²")
print(f"PINN : EI = {EI_pinn:.0f} kN·m² (hata {(EI_pinn / EI_GERCEK - 1) * 100:+.2f}%), "
f"ölçümlere RMS uyum {np.sqrt(np.mean((w_pinn_olc - w_olc)**2)) * 1000:.3f} mm")
print(f"En küçük kareler: EI = {EI_ekk:.0f} kN·m² (hata {(EI_ekk / EI_GERCEK - 1) * 100:+.2f}%)")
print(f"Gürültünün etkisi (2000 tekrar, EKK): EI'nin standart sapması {EI_tekrar.std():.0f} kN·m² "
f"(%{EI_tekrar.std() / EI_GERCEK * 100:.2f})")
print(f"PINN ile EKK arasındaki fark: %{abs(EI_pinn / EI_ekk - 1) * 100:.2f}")
assert abs(EI_pinn / EI_GERCEK - 1) < 0.05 and np.isfinite(gecmis_ters).all()
# %% 4. Grafikler
fig, ax = plt.subplots(1, 2, figsize=(10, 4.2), layout="constrained")
xi_s = np.linspace(0, 1, 15)
ax[0].plot(xi_n, w_p * 1e3, color=RENK[0], label="PINN")
ax[0].plot(xi_n, w_k * 1e3, color=MUREKKEP, ls="--", lw=1.4, label="Kesin çözüm")
ax[0].plot(XI[:-2].numpy().ravel(), np.zeros(N_KOL), "|", color=SOLUK, ms=8, label="Kolokasyon noktaları")
ax[0].invert_yaxis()
ax[0].set(xlabel="ξ = x/L", ylabel="Boyutsuz sehim ŵ (×10⁻³)", title="Sehim (aşağı yönlü)")
ax[0].legend(loc="center")
ax[1].plot(xi_n, -w2_p, color=RENK[0], label="PINN")
ax[1].plot(xi_n, -w2_k, color=MUREKKEP, ls="--", lw=1.4, label="Kesin: ξ(1−ξ)/2")
ax[1].set(xlabel="ξ = x/L", ylabel="Boyutsuz moment M̂ = −ŵ''", title="Eğilme momenti")
ax[1].legend(loc="lower center")
fig.savefig(KLASOR / "d16_pinn_kiris_1.png", dpi=160)
plt.close(fig)
fig, ax = plt.subplots(1, 2, figsize=(10, 4.2), layout="constrained")
ax[0].semilogy(np.arange(1, len(gecmis_ileri) + 1), gecmis_ileri, color=RENK[0], lw=1.2)
ax[0].axvline(N_ADAM, color=MUREKKEP, ls=":", lw=1.2)
ax[0].text(N_ADAM * 0.5, gecmis_ileri.max() * 0.3, "Adam", ha="center", color=IKINCIL)
ax[0].text(N_ADAM + (len(gecmis_ileri) - N_ADAM) * 0.5, gecmis_ileri.max() * 0.3, "L-BFGS",
ha="center", color=IKINCIL)
ax[0].set(xlabel="Adam adımı / L-BFGS değerlendirmesi", ylabel="Toplam kayıp",
title="Kayıp geçmişi (ileri problem)")
ax[1].semilogy(xi_n, artik_ince, color=RENK[0], lw=1.2, label="|ŵ'''' − 1|, 1001 nokta")
ax[1].plot(XI[:-2].numpy().ravel(), np.full(N_KOL, artik_ince.min()), "|", color=SOLUK, ms=8,
label="Kolokasyon noktaları")
ax[1].set(xlabel="ξ = x/L", ylabel="Denklem artığı", title="Denklem artığı: en büyük değer uçlarda")
ax[1].legend(loc="upper center")
fig.savefig(KLASOR / "d16_pinn_kiris_2.png", dpi=160)
plt.close(fig)
fig, ax = plt.subplots(1, 2, figsize=(10, 4.2), layout="constrained")
x_ince = xi_n * L_KIRIS
with torch.no_grad():
w_pinn_ince = model_t(xi_ince).numpy().ravel() * OLCEK
ax[0].plot(x_ince, Q * x_ince * (L_KIRIS**3 - 2 * L_KIRIS * x_ince**2 + x_ince**3) / (24 * EI_GERCEK) * 1000,
color=MUREKKEP, ls="--", lw=1.4, label=f"Gerçek (EI = {EI_GERCEK:.0f} kN·m²)")
ax[0].plot(x_ince, w_pinn_ince * 1000, color=RENK[0], label=f"PINN (EI = {EI_pinn:.0f} kN·m²)")
ax[0].errorbar(x_olc, w_olc * 1000, yerr=s_olc * 1000, fmt="o", color=SOLUK, ms=5, capsize=3,
label="Ölçüm ± 1 std (sentetik)")
ax[0].invert_yaxis()
ax[0].set(xlabel="x (m)", ylabel="Sehim w (mm)", title="7 sensörden ters problem")
ax[0].legend(loc="center", fontsize=9)
ax[1].plot(np.arange(1, len(ei_gecmis) + 1), EI_REF * np.exp(ei_gecmis), color=RENK[0], label="PINN tahmini")
ax[1].axhline(EI_GERCEK, color=MUREKKEP, ls="--", lw=1.2, label="Gerçek EI")
ax[1].axhline(EI_ekk, color=RENK[1], ls=":", lw=1.6, label="En küçük kareler")
ax[1].axvline(N_ADAM, color=SOLUK, ls=":", lw=1)
ax[1].set(xlabel="Adam adımı / L-BFGS değerlendirmesi", ylabel="EI (kN·m²)", title="EI tahmininin yakınsaması")
ax[1].legend(loc="lower right")
fig.savefig(KLASOR / "d16_pinn_kiris_3.png", dpi=160)
plt.close(fig)
print("\nGrafikler kaydedildi: d16_pinn_kiris_1.png, _2.png, _3.png")=== 1. İleri problem: ŵ'''' = 1, basit mesnet ===
Ağ: 3 gizli katman × 32 nöron (tanh), 2209 parametre; 64 iç kolokasyon noktası
Eğitim: 1500 Adam adımı + 313 L-BFGS değerlendirmesi
Kayıp: Adam sonunda 3.32e-05, L-BFGS sonunda 6.78e-07
Bağıl L2 hatası (sehim) : 1.66e-06
Orta nokta: PINN 0.0130208, kesin 5/384 = 0.0130208, bağıl hata -1.5e-06
Moment (ŵ'') en büyük hatası : 1.34e-05 (qL²/8'e göre)
Denklem artığı |ŵ'''' − 1| (1001 nokta): ortalama 7.9e-04, en büyük 7.5e-03
SEY, 4 eleman (10 serbestlik): orta nokta sehim hatası 1.1e-15
moment hatası: şekil fonksiyonu eğriliğinden (en büyük) 4.17e-02, eleman uç kuvvetinden (orta) 4.4e-16
SEY, 8 eleman (18 serbestlik): orta nokta sehim hatası 1.6e-15
moment hatası: şekil fonksiyonu eğriliğinden (en büyük) 1.04e-02, eleman uç kuvvetinden (orta) 4.9e-15
=== 2. Ters problem: 7 sehim ölçümünden EI ===
L = 6.0 m, q = 10.0 kN/m, gerçek EI = 20000 kN·m²; en büyük sehim 8.438 mm, gürültü std 0.127 mm
Başlangıç tahmini EI = 10000 kN·m²
PINN : EI = 20117 kN·m² (hata +0.59%), ölçümlere RMS uyum 0.130 mm
En küçük kareler: EI = 20125 kN·m² (hata +0.63%)
Gürültünün etkisi (2000 tekrar, EKK): EI'nin standart sapması 151 kN·m² (%0.76)
PINN ile EKK arasındaki fark: %0.04
Grafikler kaydedildi: d16_pinn_kiris_1.png, _2.png, _3.pngPyTorch eğitimlerinde son basamaklar işlemciye, iş parçacığı sayısına ve kitaplık sürümüne göre biraz farklı çıkabilir; eğilimler ve sonuçlar aynı kalır.
7. Sonuçları yorumlayın
İleri problem

Ağ hiçbir sehim değeri görmeden, yalnızca denklemden ve sınır koşullarından öğrendi. Sehimin bağıl L2 hatası $1{,}66\times10^{-6}$, orta nokta sehimi $0{,}0130208$ (kesin değer $5/384 = 0{,}0130208$; bağıl hata $1{,}5\times10^{-6}$). Moment, yani ikinci türev, en büyük değerinin $1{,}34\times10^{-5}$'i kadar hatayla bulunuyor. Türev aldıkça hata büyür, ama burada bile çok küçük.

Kayıp geçmişi iki aşamalı tarifin gerekçesini gösteriyor. Adam aşamasının sonunda kayıp $3{,}32\times10^{-5}$; yol boyunca bir kez ani bir sıçrama var. Bu, Adam'ın minimuma yakın, dar vadilerdeki tipik davranışıdır. L-BFGS 313 değerlendirmede kaybı $6{,}78\times10^{-7}$'ye indiriyor.
Sağdaki grafik önemli bir denetim: artığı yalnızca eğitimde kullandığımız 64 noktada değil, 1.001 noktalık ince bir ızgarada ölçtük. Ortalama $|\hat w'''' - 1|$ değeri $7{,}9\times10^{-4}$. En büyük değer, $7{,}5\times10^{-3}$, kolokasyon noktası olmayan uçlarda. İç bölgede artık, kolokasyon aralığından ($1/65 \approx 0{,}015$) çok daha geniş, 0,06–0,13 genişlikli tümseklerle düzgün biçimde salınıyor (işareti on kez değişiyor); genliği $10^{-3}$ mertebesinde ve kolokasyon noktalarında da aralarında da aynı büyüklükte (ortalama $7{,}1\times10^{-4}$'e karşı $6{,}8\times10^{-4}$). Yani ağ noktaları “ezberlememiş”. Kolokasyon noktaları çok seyrek olsaydı durum farklı olurdu (Alıştırma 3).
Sonlu elemanlarla dürüst bir karşılaştırma
Aynı problemi iki düğümlü Hermite kiriş elemanlarıyla da çözdük. 4 elemanla (10 serbestlik derecesi; sınır koşullarından sonra tek bir $8\times8$ doğrusal sistem) orta nokta sehiminin hatası $1{,}1\times10^{-15}$; yani yuvarlama düzeyinde kesin. Bu tesadüf değildir: Hermite kiriş elemanları, tutarlı yük vektörüyle, düğüm sehimlerini kesin verir. Momenti şekil fonksiyonlarının eğriliğinden okursak durum değişir: eleman içinde moment doğrusal kaldığı için 4 elemanla en büyük hata %4,17, 8 elemanla %1,04. Momenti eleman uç kuvvetlerinden ($K_e\vect u_e - \vect f_e$) hesaplarsak orta düğümde hata yine $4{,}4\times10^{-16}$.
Sonuç açık: standart bir ileri problemde sonlu elemanlar PINN'den hem çok daha hızlı hem de çok daha doğrudur. PINN'in 1.800'ü aşkın kayıp değerlendirmesi, sonlu elemanlardaki tek bir $8\times8$ doğrusal sistemle yarışamaz. PINN'in bu örnekteki tek “üstünlüğü”, momenti her noktada sürekli ve küçük hatayla vermesi; ama sonlu elemanlar da doğru son işlemle aynı bilgiye ulaşır.
Ters problem

PINN $EI = 20.117$ kN·m² buluyor; hata +%0,59. En küçük kareler referansı 20.125 kN·m² (+%0,63) veriyor. İkisinin farkı yalnızca %0,04. Yani PINN, kesin biçimi bilen yöntemin bulduğunu, biçimi bilmeden buldu. Ölçümlere RMS uyumu 0,130 mm; ölçüm gürültüsünün standart sapması 0,127 mm. Model gürültüyü ezberlemiyor, gürültü düzeyinde uyuyor.
%0,6'lık hata yöntemin kusuru mu? Aynı deneyi 2.000 kez farklı gürültüyle tekrarlayıp en küçük kareler tahminine baktık: $EI$'nin standart sapması 151 kN·m², yani %0,76. Bulduğumuz hata bu saçılımın içinde. 7 ölçer ve %1,5 gürültüyle hiçbir yöntem $EI$'yi bundan çok daha iyi bulamaz; daha iyisi için daha çok ya da daha hassas ölçer gerekir.
8. PINN'ler ne zaman işe yarar?
Bu derste PINN'in iyi çalıştığı, kolay bir problem seçtik. Literatür, yöntemin zorlandığı durumları da iyi belgeliyor:
- Spektral yanlılık (spectral bias). Sinir ağları gradyan inişiyle önce düşük frekanslı bileşenleri öğrenir; yüksek frekanslı ya da çok ölçekli çözümler (kısa dalga boylu titreşim modları, ince sınır tabakaları) çok yavaş yakınsar ya da hiç yakınsamaz.
- Katı (stiff) problemler ve dengesiz kayıp terimleri. Denklem ve sınır terimlerinin gradyanları çok farklı büyüklüklerde olabilir; ağ birini öğrenirken öbürünü ihmal eder. Ters problemde gördüğümüz ağırlık sorunu bunun basit bir örneğidir. Uyarlanır ağırlıklandırma yöntemleri önerilmiştir, ama sihirli bir ayar yoktur.
- Yüksek mertebeli türevlerin bedeli. Dördüncü türev için hesap grafiği dört kez iç içe kurulur. Küçük ağımızda bile tek bir adım, aynı ağın sıradan bir ileri geçişinden kat kat pahalıdır.
- Her yeni problem yeni bir eğitimdir. Yükü ya da açıklığı değiştirdiğinizde ağı yeniden eğitmeniz gerekir. Sonlu eleman modeli ise saniyeler içinde yeniden çözülür.
PINN'lerin gerçekten değer kattığı yerler ise şunlar: ters problemler (ölçümden malzeme parametresi, yük ya da hasar bulmak), seyrek verinin fizikle birleştirilmesi (birkaç sensörü denklemle tamamlayarak bütün alanı kestirmek) ve sonlu eleman ağı (mesh) kurmanın zor olduğu yüksek boyutlu problemler. Bu durumlarda bile önce burada yaptığımız gibi basit bir referansla karşılaştırma yapın.
Son yıllarda ilgi, tek bir problemi çözen ağlardan operatör öğrenmeye kayıyor. DeepONet (Lu vd., 2021) ve Fourier sinir operatörü (FNO, Li vd., 2021), bir fonksiyonu başka bir fonksiyona eşleyen işlemciyi öğrenir; örneğin herhangi bir yük dağılımı $q(x)$'ten sehim eğrisi $w(x)$'e. Bir kez, birçok çözümle eğitilir; sonra yeni bir yük için tek bir ileri geçişle cevap verir. Bu, Proje 3'teki vekil model fikrinin fonksiyonlar dünyasındaki karşılığıdır.
9. Sık yapılan hatalar
- ReLU kullanmak. İkinci ve daha yüksek türevleri sıfırdır; dördüncü mertebeden bir denklemin artığı hiç küçülmez.
tanh,sinya da SiLU gibi düzgün aktivasyonlar kullanın. create_graph=True'yu unutmak. Unutulursa türev bir sabit gibi davranır: bir sonraki türev alınamaz, kayıp da ağırlıklara geri yayılamaz.- Boyutsuzlaştırmamak. Fiziksel birimlerde terimler arasında birçok mertebe fark olabilir; kayıp yüzeyi aşırı kötü koşullu olur.
- Kayıp ağırlıklarını düşünmeden seçmek. Ters problemde veri terimini gürültüye bölmek ilk bakışta “istatistiksel olarak doğru” görünür. Ama denklem terimi ölçeksiz kalırsa bu, denklemin yükün %100'ü kadar hatayla sağlanabileceğini varsaymaktır; fiziği bırakan çözüm, fiziğe uyandan daha düşük kayıp verir (Alıştırma 4).
- Artığı yalnızca kolokasyon noktalarında denetlemek. Sonucu her zaman eğitimde kullanılmayan, daha sık bir ızgarada sınayın.
- PINN'i sonlu elemanların yerine koymak. Standart ileri problemlerde sonlu elemanlar daha hızlı, daha doğru ve daha iyi anlaşılmıştır. PINN'i, sonlu elemanların doğal olarak çözmediği soruların aracı olarak düşünün.
10. Alıştırmalar
Alıştırma 1KolayBoyutsuzlaştırma
$\xi = x/L$ ve $\hat w = w\,EI/(qL^4)$ dönüşümüyle $EI\,w'''' = q$ denkleminin $\hat w'''' = 1$'e dönüştüğünü gösterin. Sonra $L = 6$ m, $q = 10$ kN/m ve $EI = 20.000$ kN·m² için orta nokta sehimini milimetre olarak hesaplayın ve terminal çıktısıyla karşılaştırın.
Çözümü göster
$w = (qL^4/EI)\,\hat w$ ve $\dd/\dd x = (1/L)\,\dd/\dd\xi$ olduğundan
$$ \frac{\dd^4 w}{\dd x^4} = \frac{qL^4}{EI}\cdot\frac{1}{L^4}\,\hat w'''' = \frac{q}{EI}\,\hat w'''' $$Denkleme koyunca $EI \cdot (q/EI)\,\hat w'''' = q$, yani $\hat w'''' = 1$. Sınır koşulları da aynı ölçekle taşınır: $w = 0 \Leftrightarrow \hat w = 0$ ve $w'' = 0 \Leftrightarrow \hat w'' = 0$.
Orta nokta:
$$ w = \frac{5}{384}\,\frac{qL^4}{EI} = \frac{5 \cdot 10 \cdot 1296}{384 \cdot 20000} $$ $$ w = 0{,}0084375\ \text{m} = 8{,}438\ \text{mm} $$Çıktıdaki “en büyük sehim 8.438 mm” satırı bu değerdir; $L/711$ civarında bir sehim.
Alıştırma 2OrtaYumuşak sınır koşulu
Çıktı dönüşümünü kaldırın ($\hat w = N(\xi)$) ve $\hat w(0) = \hat w(1) = 0$ koşullarını kayba ceza terimi olarak ekleyin: m gibi, uçlardaki $\hat w$ değerlerini de ölçekleyip karesini alın. Sehim hatası ve uçlardaki $\hat w$ değerleri nasıl değişiyor?
Çözümü göster
Dönüşümü kaldırıp uç sehimlerini de, orta sehim ölçeğine bölerek ($\tfrac{384}{5}\hat w$), ceza terimi yaptık. Bu kolay problemde sonuç yine çok iyi: son kayıp $4{,}12\times10^{-6}$, bağıl L2 hatası $6{,}80\times10^{-7}$ (sert koşulla $1{,}66\times10^{-6}$ idi), orta nokta hatası $5{,}1\times10^{-7}$. Uçlardaki sehimler $\hat w(0) = 1{,}03\times10^{-8}$ ve $\hat w(1) = 2{,}12\times10^{-9}$; orta sehimin milyonda biri mertebesinde.
Yani burada yumuşak koşul da yetiyor; L2 hatası hatta biraz daha küçük. Sert koşulun getirisi doğruluk değil güvencedir: koşul her ağırlık için tam sağlanır ve ayarlanacak bir terim kalmaz. Yumuşak koşulda terimin ölçeği ve ağırlığı sizin seçiminizdir; biz uç sehimini orta sehim ölçeğine bölerek diğer terimlerle aynı mertebede tuttuk.
Alıştırma 3OrtaSeyrek kolokasyon
N_KOL'u 64'ten 6'ya indirin. Eğitim kaybı, sehim hatası ve 1.001 noktalık ızgaradaki en büyük denklem artığı nasıl değişiyor? Sonucu açıklayın.
Çözümü göster
6 noktayla son kayıp $7{,}54\times10^{-16}$'ya iniyor: ağ altı noktada denklemi neredeyse kusursuz sağlıyor. Ama bağıl L2 hatası $1{,}57\times10^{-2}$'ye (64 noktayla $1{,}66\times10^{-6}$ idi), orta nokta hatası %1,5'e çıkıyor. İnce ızgaradaki denklem artığının ortalaması 0,13, en büyüğü 1,1; ağ noktaların arasında denklemi hiç sağlamıyor.
Bu, kolokasyon noktalarına aşırı uyumdur: kayıp “eğitim” noktalarında sıfır, aradaki noktalarda büyük. 2.209 parametreli bir ağ altı koşulu kolayca sağlar ve aralarda istediğini yapar. PINN'de kayıp değeri tek başına başarı ölçütü değildir. Artığı her zaman eğitimde kullanılmayan noktalarda da ölçün ve kolokasyon noktalarını çözümün değişim ölçeğine göre yeterince sık seçin.
Alıştırma 4OrtaKayıp ağırlığı ve parabol tuzağı
Ters problemde veri terimini ölçümlerin büyüklüğü yerine ölçüm gürültüsünün boyutsuz değerine ($\sigma/(qL^4/EI_{\text{ref}})$) bölün; terim böylece ölçüm başına ki-kare benzeri bir sayı olur. Bulunan $EI$ ne olur? Uçlardaki moment artığına bakarak nedenini açıklayın.
Çözümü göster
Veri terimini gürültüye bölünce $EI = 1.225$ kN·m² çıkıyor: gerçeğin yalnızca %6'sı, hata –%93,88. Kaybın bileşenlerine bakınca neden açıklaşıyor. Veri teriminin ortalaması 0,181; ölçüm artıklarının RMS'i $0{,}43\sigma$, yani gürültünün altında. Ağ gürültüyü ezberliyor. Bunun için eğriyi büküyor ve fizikten vazgeçiyor: denklem teriminin ortalaması 0,852, $\hat w''''$ artık sabit değil, –4,15 ile 8,14 arasında dalgalanıyor (ortalaması 1,395, standart sapması 3,312). Uç moment artıkları da 0,143'e kadar çıkıyor.
Asıl neden kaybın kendisinde. Denklem artığı $e^{\theta}\hat w'''' - 1$ biçiminde: $EI \to 0$ iken artık $-1$'e gider, denklem terimi en çok yaklaşık 1 olur ve bu bedel ödenince ağ ölçümlere serbestçe uyabilir. Fiziğe uyan çözümün (en küçük kareler eğrisi, $EI = 20.125$ kN·m²) bu ağırlıklandırmadaki kaybı 1,0639: denklem ve moment terimleri sıfır, ama hiçbir fiziksel eğri gürültüyü açıklayamadığı için veri terimi 1 civarında kalır. Bulunan durumun kaybı ise 1,0438, yani daha küçük: hata en iyileyicide değil, kayıp fonksiyonunda. Eğitimi sürdürünce (her turda 2.000 Adam adımı ve L-BFGS) $EI$ 807, 584, 491 kN·m² diye kaymayı sürdürüyor, kayıp 0,9259, 0,9125 ve 0,9078'e iniyor. 1.225, yalnızca eğitimin durduğu yerdir. Veri terimini $\sigma$'ya bölüp denklem terimini ölçeksiz bırakmak, denklemin yükün %100'ü kadar hatayla sağlanabileceğini varsaymaktır.
Betikteki ağırlıklandırmayla ise veri terimi $2{,}3\times10^{-4}$, denklem terimi $2{,}7\times10^{-7}$; $\hat w''''$ her yerde 0,497 (yani $EI_{\text{ref}}/EI$), ölçüm artıklarının RMS'i $1{,}02\sigma$. Ders: veri terimini istatistiksel olarak “doğru” ağırlıklandırırken fizik terimlerine de denklemin ne kadar kesin sağlanması gerektiğini yansıtan bir ölçek verin; aksi hâlde kaybın en küçük değeri fiziği bırakan çözümde olabilir.
Alıştırma 5ZorAnkastre kiriş, bütün koşullar sert
İki ucu ankastre bir kirişte koşullar $\hat w(0) = \hat w'(0) = \hat w(1) = \hat w'(1) = 0$'dır. $\hat w = \xi^2(1-\xi)^2 N(\xi)$ dönüşümünün dört koşulu da sağladığını gösterin. Kesin çözüm $\hat w = \xi^2(1-\xi)^2/24$'tür; orta nokta sehimi $1/384$. Moment terimini kayıptan çıkarıp yalnızca denklem artığıyla eğitin ve hatayı ölçün.
Çözümü göster
$\hat w = \xi^2(1-\xi)^2 N$ için $\hat w(0) = \hat w(1) = 0$ çarpandan açıktır. Türev
$$ \begin{aligned} \hat w' = \;&2\xi(1-\xi)(1-2\xi)\,N \\ &+ \xi^2(1-\xi)^2\,N' \end{aligned} $$olduğundan iki terim de $\xi = 0$ ve $\xi = 1$'de sıfırdır: $\hat w'(0) = \hat w'(1) = 0$. Dört koşulun dördü de serttir ve kayıp yalnızca denklem artığından oluşur.
Sonuç: son kayıp $7{,}12\times10^{-7}$, bağıl L2 hatası $1{,}56\times10^{-6}$, orta nokta hatası $6{,}4\times10^{-7}$. Ankastre uçta $\hat w''(0) = 0{,}083333$; kesin değer $1/12$ (moment $qL^2/12$). Momentin en büyük hatası, $1/12$'ye göre, $2{,}30\times10^{-5}$. Ankastre momentini hiçbir zaman kayba koymadık: denklem ve sert sınır koşulları onu kendiliğinden belirledi.
Özet
- PINN, alanı bir sinir ağıyla temsil eder ve denklemin, sınır koşullarının ve varsa ölçümlerin artıklarını aynı kayıpta küçültür. Türevler otomatik türevle,
create_graph=Trueile iç içe alınır. - Boyutsuzlaştırma, düzgün aktivasyon, mümkünse sert sınır koşulları ve Adam'dan sonra L-BFGS, işe yarayan bir tariftir. Sonucu her zaman eğitimde kullanılmayan noktalarda sınayın.
- Basit mesnetli kirişte PINN kesin çözümü $10^{-6}$ bağıl hatayla buldu; ama 4 elemanlı sonlu eleman çözümü düğümlerde kesin ve kat kat hızlıdır.
- Ters problemde 7 gürültülü ölçümden $EI$ %0,59 hatayla bulundu; bu, ölçüm gürültüsünün izin verdiği doğruluktur. Kayıp ağırlıkları, fiziğin veriye boyun eğmemesi için bilinçli seçilmelidir.
Sonraki adımda, Proje 5'te, klasik laminasyon teorisinden üretilen verilerle bir vekil model kurup tersine çalıştıracağız: istenen rijitliği veren tabaka açılarını aramak.
Kaynaklar
- M. Raissi, P. Perdikaris, G. E. Karniadakis — “Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations”, Journal of Computational Physics, 378, 2019.
- S. Wang, Y. Teng, P. Perdikaris — “Understanding and mitigating gradient flow pathologies in physics-informed neural networks”, SIAM Journal on Scientific Computing, 43(5), A3055–A3081, 2021; A. S. Krishnapriyan vd. — “Characterizing possible failure modes in physics-informed neural networks”, NeurIPS 2021; N. Rahaman vd. — “On the Spectral Bias of Neural Networks”, ICML 2019.
- L. Lu, P. Jin, G. Pang, Z. Zhang, G. E. Karniadakis — “Learning nonlinear operators via DeepONet based on the universal approximation theorem of operators”, Nature Machine Intelligence, 3, 2021; Z. Li vd. — “Fourier Neural Operator for Parametric Partial Differential Equations”, ICLR 2021.
- PyTorch belgeleri: torch.autograd.grad ve torch.optim.LBFGS.