HTML
-
本节中使用数值模型中获得的2组计算数据,对上文建立的基于波动方程的PINN模型进行训练,从而正向得到激光超声单模态(表面波)波场图像的结果,进而反向推演激光超声单模态波场参数。
-
为了利用少量的波场u(t, x)数据重建波场图像,首先进行第1组数值计算数据(数据大小为121×101,共12221个数据点)训练PINN模型。图 6a为正向PINN模型重建出来的B扫图像,其中横坐标为时间,纵坐标为探测点的位置。从图 6a中可明显看出, 在x=0.0 mm处的离面位移远远大于其它探测点处的离面位移,这是由于数值模型中激发点的离面位移远远大于其它点,在训练模型过程中被作为了主要特征。
图 6b中给出了PINN模型训练过程中的损失函数的变化过程。图中横坐标表示迭代次数,纵坐标表示损失函数的值。由图 6b可知,训练数据包含探测点时,损失函数的值基本平稳无法下降。这是由于x=0.0 mm处的离面位移主要由激发源导致的热膨胀引起,其幅值比其它探测点处获得的离面位移高了一个数量级,因此PINN模型会将x=0.0 mm点的数据作为主要训练特征。而PINN模型是基于波动方程构建残差损失的,x=0.0 mm处的热膨胀引起的离面位移并不能在波动方程中体现,因此与损失函数矛盾且损失函数无法下降。
针对这一问题,使用扫查路径不包含激发点的第2组数值计算数据(大小为31×101,共3131个数据点,扫描步长为100.0 μm,时间步长为0.02 μs)中约10%的数据(大小为16×21,共336个数据点,扫描步长为200.0 μm,时间步长为0.1 μs)训练PINN模型。与上述情况不同,其损失函数可以收敛,下降趋势如图 7所示。
Figure 7. Loss function of forward PINN model when detection points do not contain the excitation point
图 7表示第2组数据作为训练数据时,PINN模型训练过程中的损失函数的变化过程。除个别跳变点之外,PINN模型的损失函数逐渐接近零,平稳地趋近于收敛。这表明当探测点不包含激发点时,第1组数据中作为主要干扰信息的热膨胀源不存在,正向PINN模型可以利用波场数据重建波场图像。对于训练出来的PINN模型,图 8表现了其重建B扫图像的结果。其中图 8a表示PINN模型重建出来的B扫图像,图 8b表示PINN模型预测的数据与数值计算数据的相对误差图。由图 8b可知,将PINN计算的数据与数值计算数据进行对比,误差主要集中在表面波到达时刻点附近,波场数据u(t, x)的平均误差为0.0123 nm,其误差相比于原始波场数据下降了一个数量级(超声传播过程中引起的离面位移为纳米级)。图 8c和图 8d为随机选取了x=0.5 mm,x=1.0 mm的时间-位移波形图像。可以看出,PINN拟合的表面波与数值模拟实验的表面波数据的波形基本一致。
由上述可知,在训练正向PINN模型时,探测点包含激发点时,由于激发点处产生的大幅度热膨胀,导致待训练数据的内部数据规律与PINN模型内置的波动方程信息不对应。由此可知,训练PINN模型时主要特征需要符合模型中作为判据的物理信息(在本例中,是式(5)的波动方程)。本文中,当与物理规律无关的干扰源高于波场数据引起的离面位移一个数据量级乃至以上时,式(6)中的损失项Mu中激发点的数据将作为主要特征,与损失项Mf中的波动方程相矛盾,PINN模型将不收敛。
-
在正向利用PINN模型重建波场图像之后,下面进行单模态激光超声信号参数的反向推演。对于给定的波场u(t, x),目标是识别未知参数波速c。反向PINN模型对于噪声信息有着更好的鲁棒性,因此,即使探测点包含了激发点,也可以反演出波速c。使用第1组数值计算模型的数据中约25%的数据量(大小为61×51,共3111个数据点,扫描步长为100.0 μm,时间步长为0.04 μs)进行训练反向PINN模型。图 9a中给出了PINN重建出来的B扫图像,横坐标为时间,纵坐标表示探测点的位置,图中的斜线为表面波到达每个探测点时刻,在x=0.0 mm处为激发点。图 9b表示PINN模型预测的波场数据与真实数据的绝对误差分布。由图 9b可知,其误差主要也是集中在激发点附近和表面波到达时刻附近,这是由于训练的数据之中包含一部分噪声的干扰,波场数据u(t, x)的平均绝对误差为0.0046 nm,计算误差与原波场数据相比下降了4个数量级。图 9c和图 9d为随机选取x=-1.5 mm,x=2.5 mm时的时间-位移图像,波形基本一致。
表 1中给出了反向推演的波速结果。从表中可知,PINN反演出来的波速与真实波速相比,误差为3.28%。
real velocity velocity inversed by PINN relative error 2.925 mm/μs 2.829 mm/μs 3.28% Table 1. True wave velocity and velocity inversed by PINN (including the excitatiion point)
由于已经证明了反向推演参数对于干扰数据有更好的鲁棒性,接下来讨论小数据训练PINN模型时波场成像质量的问题。利用给定的波场数据u(t, x),在数据中不包含激发点数据的情况下,识别未知参数波速c。本次使用了第2组数值计算模型的数据中约21%的数据量进行训练PINN模型(大小为31×21,共651个数据点,扫描步长为100.0 μm,时间步长为0.1 μs)。图 10a为PINN模型重建的B扫图像;图 10b表示PINN预测的波场数据与真实数据的绝对误差。平均绝对误差为0.0046 nm,相比于原波场数据,平均绝对误差下降了一个数量级。图 10c和图 10d为随机选取的x=1.0 mm,x=2.0 mm时的时间-位移波形图像,将PINN预测的数据与真实的数据进行对比,PINN拟合的表面波与真实数据的表面波基本一致。
如表 2所示,PINN反演出来表面波波速,与真实表面波波速误差为1.80%。
real velocity velocity inversed by PINN relative error 2.925 mm/μs 2.8704 mm/μs 1.80% Table 2. True wave velocity and velocity inversed by PINN (excluding the excitation point)
经过两组不同的数据训练出来的PINN模型均可以反演出波速,且误差均在5.00%以内。第1组数据其探测点包含了激发点,PINN模型仍可以反演出模型;第2组数据训练出的反向PINN模型的误差比正向PINN模型的误差低了一个数量级,显示出了PINN对噪声的鲁棒性(抗干扰性)很强。这是由于反向训练PINN模型时,波速是未知参数,参与训练时以波动方程为主要特征进行训练,通过调节惩罚项系数λ调节神经网络模型,而在正向训练PINN时,由于激发点处热膨胀导致离面位移比其它探测点高了多个数量级,波动方程的残差损失无法作为主要特征,因此,在正向过程中无法重建包含探测点的波场图像。同时,由于波动方程作为主要特征学习时,神经网络能够减小其它干扰噪声的影响,所以第2组数据的反向成像质量也优于正向过程。
需要指出的是,本文中目前只利用描述激光超声传播的波动方程进行波场重建以及反演内部参数,并依此对单模态超声信号进行分析。在激光超声检测技术中,还可进一步针对激光超声多模态特性,分别对不同模态的激光超声信号建立独立的控制方程来重建不同模态激光超声信号的波场及参数反演。此外,在其它光学研究领域,这一将物理信息嵌入神经网络的方法同样适用于基于麦克斯韦方程物理信息的研究场景,如光电器件仿真领域。这些基于物理信息的神经网络模型可为激光仿真技术的研究提供其它可行思路。