揭示神经算子在数字复合材料中应变演化的预测能力

对高性能材料的需求，以及增材制造和3D打印等先进合成技术的发展，推动了具有优异性能的分层复合材料的开发。然而，使用基于物理的求解器对此类复合材料进行计算建模，虽然能够发现最优微结构，但计算成本极高，阻碍了其实用化。为此，我们展示了神经算子（NOs）可用于学习和预测二维数字复合材料中的应变演化。具体而言，我们考虑三种架构，即傅里叶神经算子（FNO）、小波神经算子（WNO）和多小波神经算子（MWT）。我们证明，通过提供少量初始应变帧作为输入，神经算子能够以极高数据效率准确预测多个未来时间步，尤其是WNO。此外，一旦训练完成，神经算子能够针对完全未见过的边界条件预测应变轨迹。在神经算子中，只有FNO具备用于在多长度尺度上估计应变的上采样（超分辨率）能力，从而可提供更高的材料和像素级分辨率。我们还表明，神经算子无需额外训练即可泛化到具有更细域分辨率的任意几何形状。基于所呈现的所有结果，我们注意到FNO在神经算子中表现出最佳性能，同时给出几乎比传统有限元解低三个数量级的最小推理时间。因此，FNO可用作加速模拟复杂微结构中应变演化的代理模型，以设计下一代复合材料。