arXiv cs.AI· Siqi Wang, Daobo Sun, Yizheng Wang, Yilong Zhang, Yabin Jin, Xiaoying Zhuang, Timon Rabczuk·· 10 小时前AI 评分18
GA-VINO:面向 Mindlin-Reissner 板的几何感知变分物理信息神经算子
GA-VINO: A Geometry-Aware Variational Physics-informed Neural Operator for Mindlin-Reissner Plates
AI 导读
研究提出几何感知变分物理信息神经算子 GA-VINO,用于 Mindlin-Reissner 板的快速响应预测。该方法以边界点云表示板几何,结合材料编码器、载荷编码器与标量参数分支,通过多分支点云编码和交叉注意力融合几何、材料、载荷与查询点信息,训练时无需标注解数据,仅最小化由离散总势能构造的变分物理信息损失。在新样本上可在毫秒级完成全场推理,并展现出跨几何泛化能力。
正文 · AI 翻译
摘要:板壳结构在工程领域应用广泛。针对此类结构在复杂几何、非均质材料与变化载荷下的快速响应预测对工程设计具有重要意义,但传统数值方法在物理构型变化时通常需要重复建模与求解。为解决该问题,本研究针对 Mindlin-Reissner 板提出了一种几何感知变分物理信息神经算子(GA-VINO)。GA-VINO 使用边界点云表示板几何,并引入材料编码器、载荷编码器与标量参数分支,以处理空间随机材料场、空间变化压力载荷与样本级均匀参数。通过多分支点云编码与交叉注意力,GA-VINO 融合几何、材料、载荷与查询点信息,并预测任意查询位置处的横向挠度与转角。与传统数据驱动神经算子不同,GA-VINO 在训练过程中无需标注解数据,而是最小化由 Mindlin-Reissner 板离散化总势能构造的变分物理信息损失。与基于网格的神经算子相比,GA-VINO 直接处理不规则点云,并允许不同物理场在不同点集上离散化,避免了强制插值到公共网格。该方法在涉及不同几何、材料场与载荷分布的多个算例上进行了验证。结果表明,GA-VINO 在挠度、转角、梯度敏感与基于能量的指标上取得了良好的精度,可在毫秒内完成新样本的全场推理,并展现出良好的跨几何泛化能力。
| 学科: | 人工智能(cs.AI) |
| 引用为: | arXiv:2606.16624 [cs.AI] |
| (或 arXiv:2606.16624v3 [cs.AI] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2606.16624 由 DataCite 颁发的 arXiv DOI |
提交历史
来自:Siqi Wang [查看邮箱]
[v1]
2026年6月15日星期一 12:18:56 UTC(2,602 KB)
[v2]
2026年7月17日星期五 02:33:27 UTC(3,326 KB)
[v3]
2026年11月18日星期三 14:39:44 UTC(6,043 KB)
来源:arXiv cs.AI · arxiv.org