Physics-informed post-processing of stabilized finite element solutions for transient convection-dominated problems
作者: Süleyman Cengizci, Ömür Uğur, Srinivasan Natesan
分类: math.NA, cs.LG
发布日期: 2026-03-03
💡 一句话要点
提出基于物理信息的后处理方法，提升对流占优瞬态问题稳定有限元解的精度
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 物理信息神经网络 有限元方法 对流扩散问题 瞬态模拟 后处理 稳定化方法 激波捕捉
📋 核心要点
- 对流占优瞬态问题数值模拟面临挑战，传统方法易产生虚假振荡，即使稳定有限元方法也可能需要额外正则化。
- 论文提出混合框架，结合稳定有限元方法和基于PINN的校正策略，在终端时间附近选择性应用PINN。
- 实验结果表明，该方法在终端时间显著提高了精度，优于独立的稳定有限元解，适用于多种基准问题。
📝 摘要（中文）
对流占优瞬态输运现象的数值模拟由于时空域内存在剧烈梯度和传播前沿而面临巨大的计算挑战。经典离散方法通常会产生虚假振荡，需要先进的稳定技术。然而，即使是稳定的有限元方法也可能需要额外的正则化来准确地解析局部陡峭层。另一方面，独立的物理信息神经网络（PINN）难以捕捉对流占优状态下的尖锐解结构，并且通常需要大量的训练周期。本研究提出了一种混合计算框架，将PINN增强的具有激波捕捉的SUPG（PASSC）方法从稳态问题扩展到非稳态问题。该方法结合了半离散稳定有限元方法和基于PINN的校正策略，用于瞬态对流-扩散-反应方程。通过流线迎风Petrov-Galerkin（SUPG）公式和YZbeta激波捕捉算子实现稳定。神经网络并非在整个时空域上训练，而是选择性地应用于终端时间附近，使用最后K_s个时间快照来增强有限元解，同时强制执行来自控制方程和边界条件的残差约束。该网络结合了具有随机傅里叶特征的残差块，并采用具有自适应损失权重的渐进训练。对五个基准问题（包括边界和内部层、行波和非线性Burgers动力学）的数值实验表明，与独立的稳定有限元解相比，在终端时间实现了显著的精度提升。
🔬 方法详解
问题定义：论文旨在解决对流占优瞬态输运问题的精确数值模拟难题。现有方法，如经典有限元方法，在处理此类问题时容易产生虚假振荡，即使采用稳定化技术，也难以准确捕捉解中的尖锐梯度和传播前沿。而单独使用物理信息神经网络（PINN）则需要大量的训练才能捕捉到这些特征，计算成本高昂。
核心思路：论文的核心思路是将稳定有限元方法（FEM）与物理信息神经网络（PINN）相结合，形成一种混合方法。具体来说，首先使用稳定有限元方法获得一个初步的数值解，然后利用PINN对该解进行后处理，特别是在终端时间附近，以提高解的精度。这种方法旨在利用FEM在处理复杂几何和边界条件方面的优势，以及PINN在满足物理约束方面的能力。
技术框架：整体框架包含以下几个主要步骤：1) 使用Streamline-Upwind Petrov-Galerkin (SUPG) 方法和 YZbeta 激波捕捉算子对瞬态对流-扩散-反应方程进行半离散化，得到一个稳定的有限元解。2) 选择终端时间附近的 K_s 个时间快照。3) 构建一个基于PINN的校正网络，该网络以有限元解作为输入，并在这些时间快照上进行训练。4) 在训练过程中，PINN网络同时考虑控制方程的残差和边界条件，并使用自适应损失权重进行优化。
关键创新：该方法的关键创新在于将PINN应用于有限元解的后处理，而不是直接使用PINN求解整个问题。这种混合方法可以显著减少PINN的训练时间和计算成本，同时提高解的精度。此外，选择性地在终端时间附近应用PINN，进一步提高了计算效率。
关键设计：PINN网络采用残差块结构，并使用随机傅里叶特征来增强网络的表达能力。损失函数包含控制方程残差项、边界条件约束项以及有限元解的匹配项。采用渐进训练策略，并根据不同损失项的重要性自适应地调整权重。K_s 的选择会影响计算成本和精度，需要根据具体问题进行调整。
🖼️ 关键图片
📊 实验亮点
论文通过五个基准问题的数值实验验证了所提出方法的有效性。实验结果表明，与单独使用稳定有限元方法相比，该方法在终端时间显著提高了精度。例如，在处理具有边界层和内部层的问题时，该方法能够更准确地捕捉到解中的尖锐梯度。在处理行波和非线性Burgers动力学问题时，该方法也表现出更好的稳定性和精度。
🎯 应用场景
该研究成果可应用于诸多涉及对流占优瞬态输运现象的领域，例如流体动力学、热传导、化学反应工程等。通过提高数值模拟的精度和效率，可以更准确地预测和优化相关系统的性能，例如飞行器设计、散热系统优化、化学反应器设计等，具有重要的实际应用价值和潜力。
📄 摘要（原文）
The numerical simulation of convection-dominated transient transport phenomena poses significant computational challenges due to sharp gradients and propagating fronts across the spatiotemporal domain. Classical discretization methods often generate spurious oscillations, requiring advanced stabilization techniques. However, even stabilized finite element methods may require additional regularization to accurately resolve localized steep layers. On the other hand, standalone physics-informed neural networks (PINNs) struggle to capture sharp solution structures in convection-dominated regimes and typically require a large number of training epochs. This work presents a hybrid computational framework that extends the PINN-Augmented SUPG with Shock-Capturing (PASSC) methodology from steady to unsteady problems. The approach combines a semi-discrete stabilized finite element method with a PINN-based correction strategy for transient convection-diffusion-reaction equations. Stabilization is achieved using the Streamline-Upwind Petrov-Galerkin (SUPG) formulation augmented with a YZbeta shock-capturing operator. Rather than training over the entire space-time domain, the neural network is applied selectively near the terminal time, enhancing the finite element solution using the last K_s temporal snapshots while enforcing residual constraints from the governing equations and boundary conditions. The network incorporates residual blocks with random Fourier features and employs progressive training with adaptive loss weighting. Numerical experiments on five benchmark problems, including boundary and interior layers, traveling waves, and nonlinear Burgers dynamics, demonstrate significant accuracy improvements at the terminal time compared to standalone stabilized finite element solutions.