BlastOFormer：用于爆炸冲击预测的注意力机制与神经算子深度学习方法
机器学习
2025-05-28 v1
摘要
准确预测冲击压力场对于结构安全、防御规划和危险缓解等应用至关重要。经验模型和计算流体力学（CFD）仿真等传统方法在速度与准确性之间的权衡存在局限：经验模型无法捕捉杂乱环境中的复杂相互作用，而 CFD 仿真计算成本高且耗时。在本工作中，我们引入了 BlastOFormer，这是一种新颖的基于 Transformer 的代理模型，用于从任意障碍物和装药配置中预测全场最大压力。BlastOFormer 利用符号距离函数（SDF）编码以及受 OFormer 和 Vision Transformer（ViT）框架启发的网格到网格注意力架构。在通过开源 blastFoam CFD 求解器生成的数据集上进行训练后，我们的模型在对数变换和未缩放域上均优于卷积神经网络（CNN）和傅里叶神经算子（FNO）。定量结果表明，BlastOFormer 取得了最高的 R2 分数（0.9516）和最低的误差指标，同时仅需 6.4 毫秒的推理时间，比 CFD 仿真快 600,000 倍以上。定性可视化和误差分析进一步证实了 BlastOFormer 卓越的空间连贯性和泛化能力。这些结果凸显了其作为复杂环境中冲击压力估计的常规 CFD 方法的实时替代方案的潜力。
引用
@article{arxiv.2505.20454,
title = {BlastOFormer: Attention and Neural Operator Deep Learning Methods for Explosive Blast Prediction},
author = {Reid Graves and Anthony Zhou and Amir Barati Farimani},
journal= {arXiv preprint arXiv:2505.20454},
year = {2025}
}
备注
21 pages, 9 figures