面向结构动态响应预测的物理信息多输入算子
机器学习
2025-05-13 v1
摘要
有限元（FE）建模是结构分析的必备工具，但在动态加载下计算负担沉重，尤其是当需要高精度时。虽然算子学习模型在复制静态结构响应方面已展现出相当于FE模型水平的精度，但在建模动态行为方面仍面临更大挑战。本文提出了包含第二个主干网络的Multiple Input Operator Network（MIONet），用于显式编码时间动态，从而实现对移动荷载下的结构响应的准确预测。传统的DeepONet架构使用循环神经网络（RNN）受限于固定时间离散，难以捕捉连续动态。相比之下，MIONet能够在空间和时间上连续预测响应，无需分步骤建模。它将包括荷载类型、速度、空间网格和时间步长等标量输入映射到完整场结构响应。为提高效率并确保物理一致性，我们引入基于动态平衡的物理信息损失，利用预计算的质量、阻尼和刚度矩阵，而无需直接求解控制方程。进一步，采用谱分解表述可显著降低训练域的计算成本，同时保持全局精度。该模型在简单梁和KW-51桥上进行了验证，实现了相当于FE模型的精度，仅用数秒即可完成。与基于GRU的DeepONet相比，本模型在时序连续性方面保持相当精度，推理速度快100倍以上，适用于实时结构监测和数字孪生应用。
引用
@article{arxiv.2505.07090,
title = {Physics-informed Multiple-Input Operators for efficient dynamic response prediction of structures},
author = {Bilal Ahmed and Yuqing Qiu and Diab W. Abueidda and Waleed El-Sekelly and Tarek Abdoun and Mostafa E. Mobasher},
journal= {arXiv preprint arXiv:2505.07090},
year = {2025}
}