基于混合 DeepONet-Transolver 框架的 PET 瓶屈曲非线性响应学习
机器学习
2025-09-18 v1
摘要
神经网络代理模型和算子网络在求解偏微分方程(PDE)问题方面吸引了广泛关注。然而，大多数现有方法在跨越变动非参数几何域的泛化能力有限。本工作聚焦于聚乙二醇酯(PET)瓶屈曲分析，即传统上依赖计算昂贵的有限元分析(FEA)求解的包装设计问题。我们引入混合 DeepONet-Transolver 框架，同时预测节点位移场及顶部压缩时反应力的时间演化。本方法在两个瓶形参数化由二个和四个设计变量构成的瓶形族中进行评估。训练数据基于 Abaqus 中的非线性FEA仿真生成，每个族包含 254 个独特设计。该框架在四参数瓶形族中实现位移场平均相对 误差为 2.5-13%，时间依赖反应力误差约为 2.4%。点态误差分析进一步显示位移误差在 - 量级，最大差异局限于局部几何区域。重要的是，该模型准确捕捉了跨越多样瓶形的屈曲行为。这些结果凸显了本框架作为可扩展且计算高效的代理模型的潜力，尤其适用于计算力学中的多任务预测及快速设计评估。
引用
@article{arxiv.2509.13520,
title = {Learning Nonlinear Responses in PET Bottle Buckling with a Hybrid DeepONet-Transolver Framework},
author = {Varun Kumar and Jing Bi and Cyril Ngo Ngoc and Victor Oancea and George Em Karniadakis},
journal= {arXiv preprint arXiv:2509.13520},
year = {2025}
}