φ-FEM-FNO: a new approach to train a Neural Operator as a fast PDE solver for variable geometries - Archive ouverte HAL Accéder directement au contenu
Pré-Publication, Document De Travail Année : 2024

φ-FEM-FNO: a new approach to train a Neural Operator as a fast PDE solver for variable geometries

Résumé

In this paper, we propose a way to solve partial differential equations (PDEs) by combining machine learning techniques and a new finite element method called φ-FEM. For that, we use the Fourier Neural Operator (FNO), a learning mapping operator. The purpose of this paper is to provide numerical evidence to show the effectiveness of this technique. We will focus here on the resolution of the Poisson equation with non-homogeneous Dirichlet boundary conditions. The key idea of our method is to address the challenging scenario of varying domains, where each problem is solved on a different geometry. The considered domains are defined by level-set functions due to the use of the φ-FEM approach. We will first recall the idea of φ-FEM and of the Fourier Neural Operator. Then, we will explain how to combine these two methods. We will finally illustrate the efficiency of this combination with some numerical results on two test cases, showing in particular that our method is faster than learning-based and finite element solvers for a fixed accuracy.
Fichier principal
Vignette du fichier
main.pdf (24.33 Mo) Télécharger le fichier
best_prediction_0.000157_1.pdf (36.98 Ko) Télécharger le fichier
best_prediction_0.000177_2.pdf (33.44 Ko) Télécharger le fichier
boxplots_compare_losses_1.pdf (19.7 Ko) Télécharger le fichier
boxplots_compare_losses_L2_phi_FEM_1.pdf (33.36 Ko) Télécharger le fichier
boxplots_new_data_L2_1.pdf (52.62 Ko) Télécharger le fichier
boxplots_new_data_L2_500_2.pdf (22.8 Ko) Télécharger le fichier
boxplots_new_data_compare_method_2.pdf (16.85 Ko) Télécharger le fichier
boxplots_new_data_compare_method_geo_fno_1.pdf (17.09 Ko) Télécharger le fichier
boxplots_new_data_compare_method_std_fem_1.pdf (16.45 Ko) Télécharger le fichier
boxplots_validation_L2_Linf_1.pdf (24.96 Ko) Télécharger le fichier
boxplots_validation_L2_Linf_2.pdf (28.31 Ko) Télécharger le fichier
boxplots_validation_epochs_L2_error_1.pdf (20.17 Ko) Télécharger le fichier
boxplots_validation_epochs_L2_error_2.pdf (22.13 Ko) Télécharger le fichier
compare_computation_times_1.pdf (16.46 Ko) Télécharger le fichier
compare_computation_times_ratio_1.pdf (15.31 Ko) Télécharger le fichier
domain.pdf (8.5 Ko) Télécharger le fichier
error_size_3_methods_2.pdf (17.24 Ko) Télécharger le fichier
error_size_4_methods_1.pdf (16.95 Ko) Télécharger le fichier
error_size_5_methods_1.pdf (18 Ko) Télécharger le fichier
error_time_3_methods_2.pdf (20.63 Ko) Télécharger le fichier
error_time_4_methods_1.pdf (20.25 Ko) Télécharger le fichier
error_time_5_methods_1.pdf (21.66 Ko) Télécharger le fichier
example_output_FEMs_FNO_1.pdf (23.1 Mo) Télécharger le fichier
histograms_new_data_L2_1.pdf (37.74 Ko) Télécharger le fichier
histograms_new_data_L2_500_2.pdf (36.84 Ko) Télécharger le fichier
histograms_validation_L2_1.pdf (34.56 Ko) Télécharger le fichier
histograms_validation_L2_2.pdf (36.35 Ko) Télécharger le fichier
histograms_validation_Linf_1.pdf (35.82 Ko) Télécharger le fichier
histograms_validation_Linf_2.pdf (37.59 Ko) Télécharger le fichier
level_set_domains_216_2.pdf (33.02 Ko) Télécharger le fichier
level_set_domains_241_2.pdf (33.04 Ko) Télécharger le fichier
level_set_domains_39_2.pdf (34.29 Ko) Télécharger le fichier
level_set_domains_965_2.pdf (33.38 Ko) Télécharger le fichier
logo_smai.jpg (3.07 Ko) Télécharger le fichier
losses_1.pdf (51.09 Ko) Télécharger le fichier
losses_2.pdf (51.39 Ko) Télécharger le fichier
masks.pdf (25.87 Ko) Télécharger le fichier
mesh_phi_fem.pdf (122.78 Ko) Télécharger le fichier
min_mean_max_L2_error_epochs_1.pdf (22.4 Ko) Télécharger le fichier
min_mean_max_L2_error_epochs_2.pdf (22.07 Ko) Télécharger le fichier
min_mean_max_L2_error_epochs_new_data_1.pdf (22.42 Ko) Télécharger le fichier
min_mean_max_L2_error_epochs_new_data_2.pdf (22.12 Ko) Télécharger le fichier
min_mean_max_Linf_error_epochs_new_data_1.pdf (22.64 Ko) Télécharger le fichier
min_mean_max_Linf_error_epochs_new_data_2.pdf (22.35 Ko) Télécharger le fichier
multiplot.pdf (107.25 Ko) Télécharger le fichier
tikztest_multiplot_2-figure0.pdf (107.55 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04473794 , version 1 (22-02-2024)

Identifiants

  • HAL Id : hal-04473794 , version 1

Citer

Michel Duprez, Vanessa Lleras, Alexei Lozinski, Vincent Vigon, Killian Vuillemot. φ-FEM-FNO: a new approach to train a Neural Operator as a fast PDE solver for variable geometries. 2024. ⟨hal-04473794⟩
41 Consultations
7 Téléchargements

Partager

Gmail Facebook X LinkedIn More