基于深度学习的等几何分析

传统数值仿真（尤其是有限元和等几何分析）有一个根本瓶颈：计算量大、求解时间长。

以精细血管中的流固耦合仿真为例，有限元方法的计算时间可能长达上百小时。即便 IGA 能将仿真时间降低数倍，仍然无法满足实时仿真的需求。此外，传统仿真流程繁琐、容易出错、结果也不一定理想。

深度神经网络（DNN）的核心优势在于：训练完成后，推理速度极快。如果能用 DNN 替代迭代求解器，就可以在保持精度的前提下大幅缩短计算时间。

但这里有一个关键问题：训练 DNN 需要大量高质量数据。这个数据从哪里来？

---

基于深度学习的等几何分析采用数据驱动路线，关键是用 IGA 来构建多样化的训练数据集。相比传统 FEA，IGA 做数据集有三个显著优势：

深度学习与 IGA 结合的路线图

1. 高阶连续性保证

IGA 的基函数具有高阶连续性（$C^1$ 或 $C^2$），通过升阶操作可以进一步增加连续性阶数。这意味着 IGA 的数值解本身就是连续光滑的。DNN 学到的解也因此能继承这个特性，不会出现 FEA 解中常见的数值噪声。

2. CAD/CAE 无缝集成

IGA 不需要 CAD 和 CAE 之间交换数据——几何表示和分析表示是同一套语言。因此制作数据集非常便捷：给定不同的 CAD 几何，通过 IGA 求解器直接生成对应的仿真结果，不需要经过网格生成这个中间步骤。

3. 精度更高

传统 FEA 在 CAD → 网格生成 → 分析的过程中会累积几何近似误差。IGA 直接在精确几何上计算，精度损失更小，数据集质量更高，DNN 学到的结果也更精确。

---

一个核心问题：如何在不同拓扑结构之间实现分析模型的重用？

传统方法遇到不同拓扑，就要重新做一次完整的建模-仿真流程。但如果用数据驱动方法，可以先在一个基础拓扑上训练网络，再通过拓扑迁移（Topology Transfer）将知识迁移到新拓扑上。

IGA 天然适合做这件事：由于几何和分析都基于 B-spline 表示，不同拓扑之间的"表示空间"差异是可控的——控制点数量和分布可以对应起来。

---

CNN 路线

基于卷积神经网络的方法，将 IGA 仿真结果（通常是位移场、应力场）组织为规则的参数域图像，用 CNN 学习从几何参数到物理场的映射。

优点：CNN 在图像领域已经非常成熟，架构成熟、工具链完善。

局限：要求数据在规则格点上，参数域必须是结构化的 NURBS 张量积格。

GNN 路线

基于图神经网络的方法，将 IGA 的控制网格视为图结构（顶点为节点，边为连接），用 GNN 学习从图结构到物理场的映射。

优点：不依赖规则网格，适合任意拓扑的复杂几何。

局限：图结构不如图像规则，模型设计更复杂。

两种路线都在快速发展，选取哪个取决于具体应用场景的需求。

---

深度学习与 IGA 的结合，目前有几个值得关注的研究方向：

1. PINN + IGA：将物理信息约束（Physics-Informed Neural Network）与 IGA 结合，用 IGA 提供高质量训练数据，用 PINN 约束解的物理合理性。

1. 实时仿真：用预训练的 DNN 替代求解器，实现毫秒级推理。

1. 不确定性量化：DNN 可以快速生成大量样本，为不确定性分析提供统计基础。

1. 逆设计：从目标物理场出发，反推几何参数——这在拓扑优化中有直接应用。

---

PINN 在 IGA 中的应用

把 12 讲内容串起来，IGA 的完整管线是：

`

CAD 几何（边界表示）

↓

体参数化（Coons / 优化 / 细分 / 调和映射）

↓

IGA 离散（NURBS 基函数 + 控制顶点）

↓

PDE 求解（Poisson / 线弹性 / 超弹性 / 形状优化 / 拓扑优化）

↓

深度学习加速（CNN / GNN 数据驱动）

↓

实时仿真 / 优化设计

`

IGA 的核心价值始终是统一几何表示与分析表示，消除 CAD-CAE 之间的语言鸿沟。从几何建模到数值求解，再到深度学习加速，这条链路上的每一步都在让"数字孪生"更接近现实。

---

参考来源：GAMES302《等几何分析》Lecture 12：基于深度学习的等几何分析，徐岗，杭州电子科技大学。