基于跨工步状态迁移和双场耦合的多工步连续预测方法

本发明属于结构动力学数值仿真，具体涉及一种基于跨工步状态迁移和双场耦合的多工步连续预测方法。

背景技术：

1、在航空航天、轨道交通等重点工程领域，结构在爆炸冲击、碰撞侵彻、复杂变载荷等极端动态工况下会产生大变形、应变累积、裂纹扩展、局部失效等渐进式损伤演化行为。

2、结构损伤演化分析是评估结构抗载性能、服役安全性的关键手段，旨在揭示复杂加载下结构损伤的全过程演化规律。极端工况下的结构响应具有强非线性、瞬时突变等特征，传统理论解析方法难以精准刻画其演化规律。

3、显式动力学仿真凭借对强非线性、瞬时动态大变形问题的高精度求解能力，成为该领域主流数值分析手段。其通过极小时间步长逐时刻迭代求解动态平衡方程，结合精细化网格离散模型与材料损伤本构准则，逐单元、逐时刻求解结构变形、应变及损伤状态，完整复现复杂加载下结构损伤的时序演化、局部集中与渐进失效全过程。该仿真方法需持续输出海量时序帧数据，且每一帧数据均包含全域实体单元的空间几何位置、变形状态及各类材料状态变量，能够精准复现结构全过程损伤演化规律。

4、但显式动力学仿真虽然精度较高，但计算成本大、时间开销长，这不利于快速迭代分析、参数扫描与实时近似评估等高效研发需求，严重制约了复杂结构动态损伤分析的研发效率与应用灵活性。

5、为解决上述问题，行业内普遍采用数据驱动代理模型替代显式动力学仿真，通过卷积网络、循环网络、普通图神经网络等智能算法实现场变量快速预测，以此降低计算成本、提升分析效率。然而，现有主流代理模型技术体系仍存在多种缺陷，无法满足复杂非线性动态损伤演化的高精度、高鲁棒性预测需求，具体缺陷如下：

6、第一，时序演化适配性差，无法实现多工步历史状态传递。在ls-dyna等显式动力学仿真中，会将不同加载类型、不同载荷大小、不同物理机制的动态过程分阶段计算，即多工步仿真。现有模型大多仅针对单一工步、单一固定网格结构开展场变量预测，建模与预测维度局限于静态单一场景。面对多工步连续加载、网格动态更新的复杂情况，无法有效承接工步切换前后的损伤历史数据，难以实现损伤状态的连续时序传播预测，与实际工程动态加载过程脱节。

7、第二，多场耦合建模缺失，预测维度存在局限性。当前模型多聚焦于应力、应变、损伤等单一材料状态量的独立预测，忽略了结构动态变形过程中几何形态演化与材料状态响应的强耦合关联特性，无法真实还原结构损伤演化的物理机制。

8、第三，关键区域响应精度不足，针对性预测能力薄弱。爆炸冲击、碰撞侵彻工况下，结构损伤、应变梯度呈现显著的局部集中特征，高应变局部损伤核心区域是工况分析与性能评估的关键。现有模型缺乏针对核心关键区域的权重强化与特征聚焦机制，导致关键区域预测精度偏低，无法满足工程重点区域的精细化分析需求。

9、第四，缺乏物理规律约束，预测结果合理性不足。但现有数据驱动模型多为纯数据拟合范式，未嵌入基础物理约束规则，预测过程无物理约束，极易出现违背客观物理规律的结果，模型预测可信度与工程适用性大幅降低。

技术实现思路

1、有鉴于此，本发明提供了一种基于跨工步状态迁移和双场耦合的多工步连续预测方法，适用于多工步连续加载、工步间网格异构的复杂情况，能够有效承接工步切换前后的损伤历史数据，实现损伤状态的连续时序传播预测；同时采用几何-应变双场耦合预测，加入了结构动态变形过程中几何形态演化与材料状态响应的耦合关联特性，真实还原结构损伤演化的物理机制，提升预测准确性。

2、为了解决上述技术问题，本发明是这样实现的。

3、一种基于跨工步状态迁移和双场耦合的多工步连续预测方法，用于多工步的结构损伤演化分析；该方法包括：

4、步骤1：通过动力学仿真采集结构损伤演化过程数据，采集的数据至少覆盖首个工步初始阶段各实体单元的场变量仿真数据，存入演化数据集；

5、步骤2：在时刻，基于当前演化数据集构造各实体单元的单元特征；单元特征包含实体单元历史时窗内的位置场和应变场数据及当前工步标识；

6、步骤3：基于实体单元之间拓扑关系建立结构依赖图，进而结合单元特征构建图结构特征；

7、步骤4：几何-应变双场耦合预测：

8、应变场预测采用图神经网络，基于图结构特征预测时刻应变场，并更新到演化数据集中；

9、几何场预测采用学习型预测网络，基于历史时窗内的位置场数据、当前工步标识和预测的时刻应变场，预测时刻的位置场，并更新到演化数据集中；

10、步骤5：工步切换时，判断切换前后实体单元网格划分是否一致；若是，则后一工步继承前一工步的演化数据集作为历史时窗数据；否则将前一工步演化数据集数据映射到后一工步的实体单元上，构造历史时窗数据；重复步骤2~4。

11、优选地，步骤1中，所述采集的数据至少覆盖首个工步初始阶段各实体单元的场变量仿真数据为：

12、采集的数据包括各工步初始阶段对应的场变量仿真数据；其中，首个工步的初始阶段包含m个时刻，m为预先设定的、用于预测后续场变量的历史时窗长度；非首个工步的初始阶段包含的时刻数量小于或等于m。

13、优选地，步骤2中，构造的所述单元特征包含实体单元对应的m个连续历史时刻的位置、位置增量、等效塑性应变和等效塑性应变增量，以及当前工步标识；m为所述历史时窗的长度。

14、优选地，所述步骤3中，构建图结构特征时，根据节点状态、相邻节点差异，计算节点权重和边权重；所述节点状态为实体单元的单元特征；

15、所述节点权重的确定方式为：

16、

17、所述边权重的确定方式为：

18、

19、其中，为实体单元对应节点的节点权重，为sigmoid函数，和为计算节点权重的可学习参数矩阵；为实体单元和实体单元之间的边权重，为实体单元的单元特征，为平滑激活函数，和为计算边权重的可学习参数矩阵。

20、优选地，所述步骤4的几何-应变双场耦合预测具体包括：

21、应变场预测采用图神经网络，以所述图结构特征为输入，输出时刻的等效塑性应变增量预测值，并结合当前演化数据集中时刻的等效塑性应变，计算时刻的等效塑性应变预测值；将时刻的等效塑性应变预测值更新到演化数据集中；

22、几何场预测采用学习型预测网络实现，输入特征由m个连续历史时刻的位置和位置增量、当前工步标识、应变场预测获得的时刻的等效塑性应变预测值组成，输出时刻的位置增量预测值，并结合演化数据集中时刻的位置，计算时刻的位置预测值；将时刻的位置预测值更新到演化数据集中。

23、优选地，所述几何场预测进一步包括启发式外推预测步骤和融合步骤：

24、所述启发式外推预测步骤包括：

25、基于历史位置，利用运动学外推，获取位置增量外推值；

26、基于应变场预测获得的时刻的等效塑性应变预测值和当前演化数据集中时刻的等效塑性应变，计算时刻的等效塑性应变增量；

27、获取当前时刻所有实体单元等效塑性应变的95%分位数，作为全局参考应变基准；

28、计算位置增量缩放修正系数，以修正变形引起的位置改变：

29、

30、其中，表示双曲正切函数；

31、利用位置增量缩放修正系数，修正所述位置增量外推值，获得启发式外推的位置增量预测值；

32、所述融合步骤为：

33、将启发式外推的位置增量预测值与学习型预测网络输出的位置增量预测值加权，获得融合的位置增量预测值；将融合的位置增量预测值加上演化数据集中时刻的位置，获得时刻的位置预测值。

34、优选地，所述启发式外推步骤中，获得启发式外推的位置增量预测值后，进一步进行位置裁剪：

35、从演化数据集中提取最近的两个历史时刻数据；

36、确定所有实体单元的位置最大值和位置最小值；

37、确定位置增量绝对值的99%分位数；

38、利用99%分位数的倍数确定边界余量；

39、确定裁剪边界为：最低边界，最高边界；

40、当启发式外推的位置增量预测值超出对应的裁剪边界时，将超出裁剪边界的启发式外推的位置增量预测值裁剪至对应的边界值。

41、优选地，在所述应变场预测过程中，获得等效塑性应变增量预测值后，如果小于或等于0，则采用当前演化数据集中时刻的等效塑性应变作为时刻的等效塑性应变预测值，以实现等效塑性应变预测值单调递增的约束；如果大于0，则将叠加在当前演化数据集中时刻的等效塑性应变上，获得时刻的等效塑性应变预测值。

42、优选地，步骤5中，所述将前一工步演化数据集数据映射到后一工步的实体单元上为：

43、在后一工步的时刻，从本工步的演化数据集中提取历史时窗的场变量仿真数据；如果当前演化数据集中缺失部分或全部历史时窗的数据，则从前一工步的演化数据集尾部提取缺失历史时刻的、网格异构的场变量仿真数据；

44、将提取的缺失历史时刻的、网格异构的场变量仿真数据，映射到本工步的实体单元网格上，映射方式为：针对缺失的历史时刻m，在提取的历史时刻m的场变量仿真数据中，搜索距离本工步中实体单元的网格最近的k个异构网格，k为设定的正整数；根据网格距离确定映射权重，距离越近，映射权重越大；利用映射权重将k个异构网格的场变量仿真数据加权融合，作为本工步历史时刻m对应的实体单元的场变量仿真数据，完成跨工步数据映射。

45、优选地，在对所述图神经网络进行训练时，总损失采用加权huber损失；

46、所述加权huber损失以huber损失作为基础损失，对应变场大于阈值的高应变区域，区域内的每个实体单元引入重要性权重；实体单元的重要性权重为：，为调节系数，为应变场的真实值；

47、所述应变场为等效塑性应变或等效塑性应变增量。

48、有益效果：

49、（1）本发明设计了跨工步变网格历史状态迁移方案：现有代理模型大多局限于单工步、固定网格建模，无法适配工程仿真多工步、变网格的常规工况，工步切换后历史损伤时序信息直接断裂，属于长期未解决的行业共性瓶颈。本发明设计了多工步时序状态延续机制，针对工步切换后网格一致与网格不同两种场景，分别采用状态直接继承与跨工步相近网格映射策略，完整补齐跨工步历史时窗数据，真正实现多阶段连续损伤演化预测，突破了传统代理模型仅能单段独立预测的固有局限。

50、（2）本发明提供了一种几何-应变双场耦合预测方案：现有数据驱动预测方法普遍采用单场量独立拟合方式进行预测，将几何形变与损伤应变完全解耦，忽略二者联动的物理本质，导致长时序预测失真。本发明创新构建几何-应变双场耦合预测方案，增设几何演化分支进行几何场预测，该几何分支预测所依据数据基础加入了应变场预测结果，即考虑了变形引起的位置改变，使得位置预测增加准确。

51、（3）在一优选方案中，几何场预测步骤增设启发式外推预测分支；基于运动学规律求解位置增量外推值，再结合应变预测构建位置增量缩放修正系数，对上述外推结果进行自适应修正，最终将修正后的启发式外推值和学习型预测网络输出的预测值相融合。

52、该位置增量缩放修正系数以塑性应变增量为依据，可根据结构局部变形程度自适应调整位置增量幅值。当单元塑性变形加剧时，自动放大位移增量，匹配大变形下节点偏移增大的物理特性；当变形趋于平缓或出现回弹时，适度收窄位移增量，抑制预测偏差。有效弥补纯运动学外推仅考虑刚体运动、忽略塑性变形的缺陷，让位置预测结果与结构实际形变规律高度契合。

53、同时外推值与预测值融合，兼顾了结构运动的物理连续性与数据驱动模型的非线性拟合能力，有效提升大变形工况下几何位置预测的精度与稳定性。

54、（4）在一优选方案中，设计了自适应加权关键区域强化建模方案：传统图神经网络采用全域均匀加权、无差别信息传播方式，无法适配冲击、侵彻工况下损伤局部集中、梯度突变的特征，存在关键区域精度差、冗余信息干扰严重的问题。本发明设计可学习的自适应加权机制，依据节点状态、相邻节点差异动态调配节点权重与边权重，精准强化高损伤、高梯度核心区域特征；配合另一优选方案中的加权损失函数聚焦关键失效区域学习，实现了差异化建模，有效解决关键区域预测精度不足的问题。

55、（5）在一优选方案中，设计了多维度物理约束机制：纯数据驱动模型无物理规则约束，极易出现异常结果，导致预测结果工程不可用。本发明增设了应变非负修正、位置裁剪等机制，保障预测结果物理可接受性与时序稳定性，解决了纯数据拟合机理缺失、结果失真的问题。

56、（6）本发明在应变场预测过程中，并没有直接预测时刻的绝对应变，而是预测应变增量，再结合历史获得的绝对应变计算时刻的绝对应变，完全匹配塑性变形逐步累积的物理本质；且容易控制应变增量的非负约束，保证预测绝对应变的单调递增。