预测具有可变复杂几何形状和载荷的弹塑性结构中应力的新型DeepONet架构
摘要：一种新颖的深度运算网络（DeepONet）采用具有残差U-Net（ResUNet）作为主干网络，用于预测在可变载荷下从拓扑优化中获得的复杂几何体的非线性弹塑性应力响应的全场。所提出的DeepONet使用ResUNet来编码复杂的输入几何体，全连接分支网络来编码参数化载荷。通过对编码的潜在空间进行逐元素乘法融合来进一步提高预测精度。将所提出的DeepONet的性能与两个基线模型进行了比较，一个是独立的ResUNet，另一个是使用完全连接网络作为分支和主干的DeepONet。结果显示，ResUNet和所提出的DeepONet具有相当的准确性；两者都可以预测应力场并准确识别应力集中点。然而，新颖的DeepONet在内存效率上更高，并允许更大的框架架构灵活性。使用完全连接网络的DeepONet由于无法有效编码复杂且多变的几何体而出现高预测误差。一旦训练完成，这三个网络都可以比有限元模拟快多个数量级地预测完整的应力分布。所提出的网络可以快速引导初步优化、设计、敏感性分析、不确定性量化和许多其他需要对可变几何、载荷和其他参数进行广泛前向评估的非线性分析。这项工作首次在DeepONet架构中以ResUNet作为主干网络，并首次使用DeepONet解决具有复杂的、变化的输入几何体和参数化载荷以及弹塑性材料行为的问题。
作者：Junyan He, Seid Koric, Shashank Kushwaha, Jaewan Park, Diab Abueidda, Iwona Jasiuk
论文ID：2306.03645
分类：Computational Engineering, Finance, and Science
分类简称：cs.CE
提交时间：2023-08-01