一种面向多阶段侵爆仿真的神经算子快速预测方法

摘要: 本发明涉及冲击动力学仿真与人工智能代理建模,具体涉及一种面向多阶段侵爆仿真的神经算子快速预测方法。背景技术:1、多阶段侵爆是岩土爆破、混凝土破碎等工程的重要技术...
一种面向多阶段侵爆仿真的神经算子快速预测方法

本发明涉及冲击动力学仿真与人工智能代理建模,具体涉及一种面向多阶段侵爆仿真的神经算子快速预测方法。

背景技术:

1、多阶段侵爆是岩土爆破、混凝土破碎等工程的重要技术手段,其涉及侵彻、爆炸及再次侵彻的多阶段作用过程。全过程伴随高速响应、结构大变形、材料非线性、局部失效、应变集中以及跨阶段损伤传递等复杂物理效应。

2、现有工程分析中,通常采用ls-dyna等显式动力学有限元软件对上述过程进行高保真数值仿真,但其计算成本高、时间步长小,针对不同打击参数进行批量分析时通常需要大量重复仿真,难以满足多工况快速评估、参数优化设计和实时辅助决策的需求。

3、近年来,深度学习代理模型已逐渐用于替代有限元仿真计算、加速仿真结果预测。主流模型包含卷积神经网络、图神经网络、transformer模型以及神经算子模型等。其中,神经算子模型多用于规则网格场、连续函数映射问题,在处理侵爆过程的阶段转换、损伤集中区、大规模非规则节点场时存在明显短板,无法适配交替循环的多阶段侵爆仿真场景。具体缺陷如下:

4、1、模型采用单一网络拟合全部交替时序数据,未区分当前计算步处于侵彻阶段还是爆炸阶段,无法对不同阶段预测逻辑实施差异化约束;经过多轮交替叠加后预测误差不断累积,难以精准描述多阶段侵爆过程中各阶段差异化的损伤演化规律。

5、2、传统潜空间神经算子仅以工况表达区别信息并作为浅层输入,经过多层网络变换后送入多头注意力等内层模块参与模型优化;多层映射会弱化区分信息的表征能力,无法有效凸显不同工况、不同阶段的固有差异,导致多头注意力机制不能匹配各侵爆阶段专属的特征提取逻辑,模型难以学习各阶段专属的损伤演化规律,多轮交替侵爆仿真后误差累积,模型泛化能力与预测精度大幅下降。

6、3、现有方法采用全局统一节点采样策略,不区分侵彻、爆炸不同工序,使用同一套采样规则筛选参与预测的结构单元与节点。但多阶段侵爆各工序主控破坏机理完全不同:侵彻阶段以弹体前进方向侵彻通道生成为主;爆炸阶段则是爆心近区能量剧烈释放、冲击波径向扩散并大幅扩展现存损伤区。若全程采用统一随机采样,模型算力会被大量低损伤背景节点占用,对高应变、高梯度、阶段交互核心区域特征学习不充分,最终降低关键损伤区的预测精度。

7、4、现有预测网络均采用单网络一体化输出架构,依靠单一网络同步输出等效塑性应变、节点位移两类物理场,未考虑塑性应变是诱发结构几何变形的前置中间场;应变预测误差会无阻断直接传递到位移预测结果,两类物理场的预测精度相互耦合干扰。

8、综上,现有预测方法存在多重短板:一是无法区分交替开展的侵彻、爆炸工序,缺少分阶段差异化约束手段,工况与阶段标识经多层网络映射后特征衰减,多头注意力机制难以提取各工序独有的演化特征;二是全程采用无区分节点采样策略,冗余背景节点稀释损伤核心特征、占用大量模型算力;三是单网络一体化输出架构会造成塑性应变与节点位移场的预测误差相互传递耦合。多重问题共同导致模型整体预测精度偏低,无法适配多工步交替侵爆仿真,难以提供结构损伤演化的高精度、高效快速预测。

技术实现思路

1、有鉴于此,本发明提供了一种面向多阶段侵爆仿真的神经算子快速预测方法,能够有效提升多阶段侵爆场景下结构损伤演化的预测精度与计算效率。

2、为了解决上述技术问题,本发明是这样实现的。

3、一种面向多阶段侵爆仿真的神经算子快速预测方法,用于多阶段侵爆过程的结构损伤演化分析;该方法包括:

4、步骤1:在不同工况下,通过显式动力学仿真获得多阶段侵爆过程的各帧结构损伤演化数据;

5、步骤2:从单帧结构损伤演化数据中提取各节点的节点坐标、坐标增量、塑性应变和应变增量,构造损伤特征;拼接多帧损伤特征,获得特征向量;基于整体和单帧的结构损伤演化数据,构建含工况和侵爆阶段区分信息的条件向量;以特征向量和条件向量为预测模型输入,组建训练样本;

6、步骤3:训练两级基于潜空间神经算子的预测网络;一级预测网络以特征向量和条件向量为输入,输出应变增量预测量,并合成塑性应变预测量;在特征向量中添加应变增量预测量和塑性应变预测量,构成新的特征向量;二级预测网络以特征向量和条件向量为输入,输出坐标增量预测量,并合成节点坐标预测量;而且两级预测网络均在可学习的潜查询向量中添加条件向量,以增加工况和侵爆阶段的区分信息,通过多头交叉注意力处理获得带条件约束的潜空间标记;

7、步骤4:推理阶段,利用训练好的预测模型,预测结构损伤演化数据。

8、优选地,步骤2中,所述从单帧结构损伤演化数据中提取各节点的节点坐标、坐标增量、塑性应变和应变增量,构造损伤特征,具体为:

9、按照不同侵爆阶段适配的节点采样规则,从单帧结构损伤演化数据中抽取采样节点;采用采样节点的节点坐标、坐标增量、塑性应变和应变增量构造单帧的损伤特征;

10、所述节点采样规则包括抽取比例和抽取原则,具体为:

11、在侵彻阶段,从塑性应变集中区域、应变梯度局部化区域、侵彻通道区域和其他区域按照设定的抽取比例抽取采样节点;其中,塑性应变集中区域的节点抽取比例为总采样点数s的30%,应变梯度局部化区域的抽取比例为总采样点数s的25%,侵彻通道区域的抽取比例为总采样点数s的25%,其他区域的抽取比例为总采样点数s的20%;

12、在爆炸阶段,从塑性应变集中区域、应变梯度局部化区域、爆炸冲击影响区域和其他区域按照设定的抽取比例抽取采样节点;其中,塑性应变集中区域的抽取比例为总采样点数s的30%,应变梯度局部化区域的抽取比例为总采样点数s的25%,爆炸冲击影响区域的抽取比例为总采样点数s的25%,其他区域的抽取比例为总采样点数s的20%;

13、所述塑性应变集中区域的抽取原则是:按照节点塑性应变值从大到小抽取;

14、所述应变梯度局部化区域的抽取原则是:按照节点邻域综合塑性应变梯度从大到小抽取;

15、所述侵彻通道区域的抽取原则是:从节点到侵彻轴线的径向距离和节点沿侵彻方向的轴向距离均符合设定范围的节点中抽取;

16、所述爆炸冲击影响区域的抽取原则是:从节点到爆心距离小于或等于爆炸半径的节点中抽取。

17、优选地,所述条件向量中:

18、工况区分信息包括工况标识、工况参数归一化值、当前帧所属工况仿真节点数归一化值;

19、侵爆阶段区分信息包括当前帧所在侵爆阶段标识、当前帧所用帧间隔在本侵爆阶段中的归一化值,以及当前帧所在侵爆阶段经历时长在整个多阶段侵爆过程中的归一化值。

20、优选地,所述两级基于潜空间神经算子的预测网络中,一级预测网络和二级预测网络均包括升维模块、潜空间压缩模块、潜空间时序演化与解码模块,以及更新模块;

21、本级预测网络输入的特征向量和条件向量分别经过升维模块升维映射后相加,获得潜空间维度的融合特征;

22、潜空间压缩模块,引入可学习的潜查询向量,将升维映射后的条件向量加至潜查询向量,得到带工况和侵爆阶段约束的条件约束查询向量;以融合特征同时作为多头交叉注意力的键向量和值向量,连同条件约束查询向量一起开展多头交叉注意力运算,经多头拼接、层归一化与残差连接,将当前帧非规则节点场的损失特征压缩为固定数量的潜空间标记;结合历史窗口数据,组合包括当前帧和m-1个历史帧的潜空间标记,获得历史潜空间标记序列,送入潜空间时序演化与解码模块;m为历史窗口长度;

23、潜空间时序演化与解码模块,用于学习潜空间标记序列的帧间演化规律,将输入的历史潜空间标记序列映射为演化后的潜空间标记序列,再经过解码,输出本级预测网络预测的损伤表征增量;

24、更新模块,用于将本级预测网络预测的损伤表征增量与上一帧的损伤表征绝对量相加,获得本级预测网络预测的损伤表征绝对量;

25、对于一级预测网络,所述损伤表征绝对量为塑性应变,损伤表征增量为应变增量;对于二级预测网络,所述损伤表征绝对量为节点坐标,损伤表征增量为坐标增量。

26、优选地,所述升维模块采用多层感知机mlp;所述潜空间时序演化与解码模块采用transformer网络或者mamba网络。

27、优选地,所述步骤3具体包括:

28、步骤301:构造当前帧的特征向量和条件向量,输入一级预测网络,输出下一帧的应变增量预测量;

29、步骤302:将所述应变增量预测量与上一帧塑性应变相加,得到下一帧的塑性应变预测量;其中,上一帧塑性应变采用历史预测获得的塑性应变;

30、步骤303:将所述应变增量预测量和所述塑性应变预测量,与对应真实值融合,获得融合后的应变增量预测量和融合后的塑性应变预测量;真实值融合权重随着训练的进行,由1逐渐衰减至0;

31、步骤304:在当前帧对应的特征向量中加入融合后的应变增量预测量和融合后的塑性应变预测量,获得新的特征向量;将特征向量与条件向量输入二级预测网络,二级预测网络输出下一帧的坐标增量预测量;

32、步骤305:将所述坐标增量预测量与上一帧节点坐标相加,得到下一帧的节点坐标预测量;其中,上一帧节点坐标采用历史预测获得的节点坐标。

33、优选地,所述一级预测网络和二级预测网络采用联合训练优化,总损失由应变预测损失和几何预测损失构成;

34、所述应变预测损失通过加权融合应变smooth l1损失、单调惩罚损失和应变自适应加权损失获得:

35、所述单调惩罚损失对相邻帧节点塑性应变变小的情况进行惩罚;

36、所述应变自适应加权损失以节点塑性应变的预测误差绝对值为基础约束项,引入随节点塑性应变真实值线性增长的第一动态惩罚权重,且对塑性应变更高的节点增大第一动态惩罚权重;

37、所述几何预测损失通过加权融合坐标smooth l1损失、加速度平滑损失和应变-几何耦合一致性损失获得:

38、所述加速度平滑损失采用连续三帧节点坐标增量预测量的二阶差分幅值表示;

39、所述应变-几何耦合一致性损失,以二级预测网络输出的坐标增量预测量与相应坐标增量真实值之间的绝对误差为基础约束项,引入随节点塑性应变线性增长的第二动态惩罚权重,且对塑性应变更高的节点增大第二动态惩罚权重。

40、优选地,所述步骤4中,在推理阶段,首先读取待预测工况下仿真获得的前若干帧损伤演化数据,放入历史窗口;

41、先利用一级预测网络预测下一帧的塑性应变和应变增量,再利用预测的塑性应变和应变增量驱动二级预测网络预测节点坐标和坐标增量;两级预测网络的预测结果共同回填到历史窗口中,继续滚动预测后续帧。

42、优选地,该方法进一步包括:步骤4获得预测的结构损伤演化数据后,将预测的塑性应变和节点坐标映射回有限元网格结构,采用设定的色谱映射规则、物理量显示上下限及透明度参数,生成呈现损伤区的空间分布与演化过程的三维云图。

43、有益效果:

44、(1)实现多阶段工序差异化建模,抑制时序误差累积:本发明构建携带工况、侵爆阶段区分信息的条件向量,并将条件向量嵌入多头交叉注意力的潜查询向量中。网络在特征压缩处理环节可区分交替出现的侵彻、爆炸阶段,自主学习各阶段专属损伤演化规律,避免多轮交替仿真过程中预测误差累积,适配多阶段侵爆仿真场景。

45、(2)保障工况与阶段约束信息完整传递,提升模型泛化能力:区别于仅在输入层放置工况标识的传统网络,本发明将映射后的阶段、工况信息直接叠加至可学习潜查询向量,约束信息参与注意力层核心运算,不会因多层网络变换发生特征衰减,直观体现工况与阶段的固有差异;多头注意力可针对性提取不同工况、不同阶段的变形特征,模型泛化性能显著提升。

46、(3)差异化筛选各阶段的损伤关键节点,强化高变形区域预测精度:本发明摒弃全量节点统一采样方式,针对侵彻阶段和爆炸阶段的不同损伤表现,有针对性地设计节点采样方式,在避免无关数据稀释关键变形特征、减少无效算力消耗的同时,精准捕捉侵彻局部集中变形、爆炸全域扩裂这两类差异化破坏机制,提升预测精度。

47、(4)两级分步解耦预测,阻断物理量误差交叉干扰:本发明采用先预测塑性应变、再将应变作为先验输入求解节点位移的两级网络架构,明确塑性应变驱动几何变形的物理先后逻辑,隔离应变预测误差向几何场传导;两类物理量独立优化、互不干扰,同步提升塑性应变、节点坐标两套输出结果的预测精度。此外,每一帧的应变预测驱动几何场预测,每一帧的几何场预测又参与下一帧应变预测,能够完整复现侵爆过程中前序阶段损伤变形向后续工步传递继承的力学演化逻辑,准确刻画多轮交替侵彻、爆炸之间的损伤累积效应,贴合真实多阶段耦合仿真的时序演化规律。

48、(5)混合训练策略,缓解级联模型训练早期误差放大问题:本发明向二级预测网络输入一级预测网络的预测量时,先将预测量与真实值混合后再提供给二级预测网络。若训练初期直接采用不稳定的预测值驱动几何场预测,几何预测网络可能学习到由应变预测误差带来的错误映射;而若训练全程仅使用真实值,则推理阶段切换为预测值时会产生训练- 推理分布不一致问题。本发明通过逐步降低权重系数,使模型先在真实应变条件下建立稳定的应变 - 位移关联映射,再逐步适应预测应变带来的误差扰动。该策略一方面有效缩小训练与推理的数据分布偏移,另一方面大幅降低多轮循环交替侵爆自回归推演过程中的误差累积速度,显著提升时序损伤演化自回归预测的长期稳定性与全局预测精度。

49、(6)潜空间压缩适配大规模非规则网格,兼顾预测效率:本发明通过升维融合、多头交叉注意力完成海量非规则节点场的潜空间压缩,将高维网格特征转化为低维时序潜变量,大幅降低长时序多阶段仿真的计算开销,在保证预测精度的前提下实现损伤演化的快速推演,相较传统显式动力学仿真,计算效率大幅提升。