用于共振声学中边界到场预测的正交感知复线性神经算子

从空间分布的边界激励重复预测声场在计算上是昂贵的，因为每个源实现都需要新的波动模拟。这项工作引入了一个正交感知的复线性边界算子（CLBO），它将振动表面上的复法向速度映射到接收器位置的复声压。该模型通过显式的复表面正交收缩耦合学习到的源和接收器基函数，因此边界激励通过构造线性地进入。这保留了复叠加、齐次性和对零激励的零响应，同时通过坐标、法线和正交权重来表示源，而不是固定的扁平化输入向量。参考数据是使用经过验证的三维多弛豫时间（MRT）格子玻尔兹曼求解器生成的，并以求解器无关的边界到场格式存储。在匹配的案例分割和优化设置下，将CLBO与固定传感器复DeepONet进行了比较，并额外测试了结构一致性、接收器坐标插值、源离散化、源族留出、标签效率、物理信息消融、未见源混合和计算成本。在五个训练种子中，CLBO实现了0.184 +/- 0.00771的平均复相对场误差，而DeepONet为0.367 +/- 0.00742。其测得的源叠加误差为1.31 x 10^-7，在新模拟的混合源案例上的平均误差为0.237，而DeepONet为0.415。对于报告的查询规模，推理比参考计算快1.83 x 10^4倍。这些结果表明，强制已知的复线性边界到场结构提高了分布式声激励下的物理一致性和泛化能力。