基于算子学习对MOOSE增材制造模型进行快速精确降阶建模

增材制造（AM）中的一个主要挑战是在运行期间通过调控制造工艺参数来获得特定材料性能。此类调控往往会增加AM中所用现有仿真工具的计算负担。本工作的目标是为在Multiphysics Object-Oriented Simulation Environment（MOOSE）框架内开发的AM模型构建快速且精确的降阶模型（ROM），最终降低AM控制与优化过程的时间/成本。我们采用算子学习（OL）方法，得以学习由改变激光高斯点热源中的工艺变量所产生的一族微分方程。更具体地，我们使用Fourier神经算子（FNO）与深度算子网络（DeepONet）来开发针对时间相关响应的ROM。此外，我们将这些OL方法的性能与基于常规深度神经网络（DNN）的ROM进行了基准比较。最终我们发现，OL方法具有可比的性能，并且在预测标量模型响应时，在精度与泛化性方面甚至优于DNN。基于DNN的ROM训练时间最快。此外，所有ROM均快于原始MOOSE模型，同时仍提供精确预测。FNO的平均预测误差小于DeepONet，但对时间相关响应的方差较大。与DNN不同，FNO与DeepONet均能在无需降维技术的情况下模拟时间序列数据。本工作可通过实现仿真工具的更快速执行，同时保留评估精度，来促进AM优化过程。