.png){kind=icon}
返回
Deep learning-driven domain decomposition (DLD3): 3 ): A generalizable AI-driven framework for structural analysis
.png){kind=icon}
PRE
AI
DOI：10.1016/j.cma.2024.117446.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
引入了一种新颖的，可概括的人工智能 (AI) 驱动的技术，称为深度学习驱动的域分解 (DLD3)，3)，用于模拟具有任意几何形状和边界条件 (BCs) 的二维线性弹性问题。DLD3 3框架利用经过训练的AI模型来预测小子域中的位移场，每个子域的特征在于不同的几何形状和bc。为了增强整个域的连续性，重叠的Schwarz域分解方法 (DDM) 迭代地更新每个子域的BCs，从而近似整体解决方案。在评估了多种模型架构之后，由于其数据效率和高精度，因此选择了傅立叶神经算子 (FNO) 作为DLD3 3方法的AI引擎。我们还提出了一个框架，该框架利用几何重构和自动网格划分算法从高保真有限元 (FE) 模拟中生成数百万个训练数据点。提供了几个案例研究，以证明DLD3 3算法在涉及复杂几何形状，各种bc和材料特性的问题中准确预测位移场的能力。
Keyword:
Deep learning
Fourier neural operator
Domain decomposition method
Linear elasticity
Generalizable
Overlapping Schwarz method
期刊
IF:
7.3
论文数:
1.3W
被引数:
5.6W
机构
引用论文
Deep learning approaches for mining structure-property linkages in high contrast composites from simulation datasets用于从模拟数据集挖掘高对比度复合材料中的结构-属性联系的深度学习方法
OAAI
OAAI分享收藏Deep learning-accelerated computational framework based on Physics Informed Neural Network for the solution of linear elasticity基于物理通知神经网络的深度学习加速计算框架，用于解决线性弹性问题.png)
NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏Single-cell dissection of cellular components and interactions shaping the tumor immune phenotypes in ovarian cancer细胞成分的单细胞解剖和相互作用塑造卵巢癌的肿瘤免疫表型Cancer CellOAAI
Cancer CellIF0
OAAI分享收藏Stochastic microstructure characterization and reconstruction via supervised learningACTA MATERIALIA
ACTA MATERIALIAIF9.3
PREAI
分享收藏
查看更多内容