Point-DeepONet: 用于非参数几何和可变负载条件下非线性场的预测
机器学习
2026-02-20 v2 人工智能
摘要
工程中的非线性结构分析通常需要大量有限元仿真，这限制了其在设计优化和实时控制中的应用。传统的深度学习代理在处理复杂的非参数三维 (3D) 几何和方向性可变负载时常常不堪一击。本文提出了 Point-DeepONet，这是一种基于算子学习的代理模型，将 PointNet 集成到 DeepONet 框架中，以从非参数几何和可变负载条件学习映射到物理响应场。通过利用 PointNet 从原始点云中学习几何表示，我们绕过了手动参数化的需求。这种几何嵌入随后在 DeepONet 架构中与负载条件融合，以准确预测三维位移和 von Mises 应力场。经过大规模数据集训练，Point-DeepONet 显示出高保真度，位移决定系数 (R^2) 可达 0.987，von Mises 应力为 0.923。此外，为严格验证其泛化能力，我们在未见的随机取向负载方向上进行了额外实验，模型保持了卓越的准确性。与每 case 约需 19.32 分钟的非线性有限元分析相比，Point-DeepONet 仅用数秒即可提供预测——快约 400 倍——同时保持良好的可扩展性。这些发现通过大量实验和消融研究得到验证，突显了 Point-DeepONet 在复杂工程工作流程中实现快速高保真结构分析的潜力。
引用
@article{arxiv.2412.18362,
title = {Point-DeepONet: Predicting Nonlinear Fields on Non-Parametric Geometries under Variable Load Conditions},
author = {Jangseop Park and Namwoo Kang},
journal= {arXiv preprint arXiv:2412.18362},
year = {2026}
}
备注
Accepted for publication in Neural Networks. 17 pages, 17 figures