用于复合材料热化学固化的残差傅里叶神经算子
材料科学
2021-11-22 v1 机器学习
摘要
在复合材料固化过程中，温度历程严重决定了固化度场以及残余应力的演化，进而会影响复合材料的力学性能，因此模拟真实温度历程以优化复合材料固化过程十分重要。由于使用有限元（FE）模拟的热化学分析需要繁重的计算负荷，且数据驱动方法受高维映射复杂性的困扰。本文提出一种残差傅里叶神经算子（ResFNO）来建立从任意给定固化周期到相应温度历程的直接高维映射。通过将领域知识集成到时间分辨率无关的参量化神经网络中，可使用有限数量的标记数据学习固化周期到温度历程的映射。此外，基于模态分解设计了一种新颖的傅里叶残差映射，以加速训练并显著提升性能。通过多个案例全面评估了所提方法的优越性能和泛化能力。
引用
@article{arxiv.2111.10262,
title = {Residual fourier neural operator for thermochemical curing of composites},
author = {Gengxiang Chen and Yingguang Li and Xu liu and Qinglu Meng and Jing Zhou and Xiaozhong Hao},
journal= {arXiv preprint arXiv:2111.10262},
year = {2021}
}
备注
15 pages, 16 figures