Can ChatGPT implement finite element models for geotechnical engineering applications?

📄 arXiv: 2501.02199v1 📥 PDF

作者: Taegu Kim, Tae Sup Yun, Hyoung Suk Suh

分类: math.NA, cs.AI

发布日期: 2025-01-04

DOI: 10.1002/nag.3956

💡 一句话要点

评估ChatGPT在岩土工程有限元模型代码生成中的能力

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: ChatGPT 有限元分析 岩土工程 提示工程 数值模拟

📋 核心要点

  1. 岩土工程有限元模型开发复杂，需要深厚的专业知识和编程能力，现有方法耗时且易出错。
  2. 利用ChatGPT等大型语言模型，通过提示工程自动生成有限元代码，降低开发门槛，提高效率。
  3. 实验表明，ChatGPT在FEniCS框架下表现良好，但在MATLAB环境下需要更多人工干预，提示工程至关重要。

📝 摘要（中文）

本研究评估了ChatGPT从一系列提示中生成岩土工程应用有限元代码的能力。我们测试了三个不同的初始边界值问题，使用非饱和土的水力-力学耦合公式，包括一维空间中通过流体质量扩散耗散超孔隙水压力、条形基础随时间变化的差异沉降以及重力驱动的渗流。对于每种情况，初始提示包括向ChatGPT提供有限元实现所需的必要信息，例如平衡和本构方程、问题几何形状、初始和边界条件、材料属性以及时空离散化和求解策略。通过提示增强过程，不断解决错误和意外结果，直到ChatGPT生成的有限元代码通过验证/确认测试。结果表明，由于FEniCS有限元库的高级接口能够实现高效编程，因此在使用该库时，ChatGPT只需要最少的代码修改。相比之下，ChatGPT生成的MATLAB代码需要大量的提示增强和/或直接的人工干预，因为它涉及有限元分析所需的大量底层编程，例如构造形函数或组装全局矩阵。鉴于此任务的提示工程需要理解数学公式和数值技术，本研究表明，虽然大型语言模型可能还无法取代人类程序员，但它可以极大地帮助数值模型的实现。

🔬 方法详解

问题定义：本研究旨在评估ChatGPT在生成岩土工程有限元模型代码方面的能力。现有方法，即人工编写代码，存在耗时、易出错、需要专业知识等痛点。特别是在处理复杂问题，如非饱和土的水力-力学耦合时，手动编写和调试代码的难度显著增加。

核心思路：利用ChatGPT等大型语言模型理解自然语言描述的岩土工程问题，并将其转化为可执行的有限元代码。核心在于通过精心设计的提示（Prompt Engineering），引导ChatGPT生成满足特定需求的、正确的代码。不同的有限元框架（如FEniCS和MATLAB）对提示的要求不同。

技术框架：研究采用的整体流程是：首先，针对特定的岩土工程问题（如超孔隙水压力消散、条形基础沉降、重力渗流），向ChatGPT提供必要的输入信息，包括平衡方程、本构关系、几何条件、边界条件、材料参数、离散化方案和求解策略。然后，ChatGPT生成相应的有限元代码。最后，通过验证和确认测试，评估代码的正确性，并根据结果进行提示增强，迭代优化代码。

关键创新：本研究的关键创新在于探索了大型语言模型在自动生成岩土工程有限元代码方面的潜力。与传统的手动编程相比，该方法有望显著提高开发效率，降低对专业编程知识的要求。此外，研究比较了ChatGPT在不同有限元框架下的表现，揭示了框架特性对代码生成难度的影响。

关键设计：研究的关键设计包括：1) 针对不同岩土工程问题设计了详细的提示，包括问题的数学描述、物理意义和数值求解方法。2) 选择了FEniCS和MATLAB两种不同的有限元框架，评估ChatGPT在不同编程范式下的表现。3) 通过迭代的提示增强过程，逐步优化ChatGPT生成的代码，使其满足验证和确认测试的要求。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

研究表明，ChatGPT在FEniCS框架下生成有限元代码时，只需少量修改即可通过验证，这归功于FEniCS的高级接口。相比之下，在MATLAB环境下，ChatGPT生成的代码需要大量的人工干预和提示增强。这表明大型语言模型在特定框架下可以显著提高有限元代码的开发效率。

🎯 应用场景

该研究成果可应用于岩土工程数值模拟领域，例如地基沉降分析、边坡稳定性分析、渗流分析等。通过降低有限元模型开发的门槛，可以促进数值模拟技术在工程实践中的应用，提高工程设计的可靠性和安全性。未来，结合更先进的AI技术，有望实现岩土工程智能设计和优化。

📄 摘要（原文）

This study assesses the capability of ChatGPT to generate finite element code for geotechnical engineering applications from a set of prompts. We tested three different initial boundary value problems using a hydro-mechanically coupled formulation for unsaturated soils, including the dissipation of excess pore water pressure through fluid mass diffusion in one-dimensional space, time-dependent differential settlement of a strip footing, and gravity-driven seepage. For each case, initial prompting involved providing ChatGPT with necessary information for finite element implementation, such as balance and constitutive equations, problem geometry, initial and boundary conditions, material properties, and spatiotemporal discretization and solution strategies. Any errors and unexpected results were further addressed through prompt augmentation processes until the ChatGPT-generated finite element code passed the verification/validation test. Our results demonstrate that ChatGPT required minimal code revisions when using the FEniCS finite element library, owing to its high-level interfaces that enable efficient programming. In contrast, the MATLAB code generated by ChatGPT necessitated extensive prompt augmentations and/or direct human intervention, as it involves a significant amount of low-level programming required for finite element analysis, such as constructing shape functions or assembling global matrices. Given that prompt engineering for this task requires an understanding of the mathematical formulation and numerical techniques, this study suggests that while a large language model may not yet replace human programmers, it can greatly assist in the implementation of numerical models.