BAT-NO：用于车辆部件耐撞性预测的边界条件感知变压器神经算子

arXiv:2610.03854v1 公告类型：新 摘要：高保真有限元模拟提供准确的耐撞性预测，但其成本限制了迭代设计探索。深度学习代理可以降低这种成本，但许多组件级模型是在单个规定的边界条件下开发的，限制了对边界变化的泛化。这项工作提出了一种边界条件感知变压器神经算子（BAT-NO），用于在几何形状和边界条件变化下对瞬态位移场和标量耐撞性响应进行自回归预测。 B 柱模拟框架评估几何形状、冲击位置和速度以及支撑刚度变化的概括性。 BAT-NO 将循环网格处理与潜在网格傅立叶算子处理相结合。边界条件信息通过混合局部-全局机制传输到潜在网格。基于切片的注意力模型对物理相关区域之间的交互进行建模，而直接的边界到网格投影则保留了局部空间结构。在仅形状、形状和载荷以及形状载荷边界情况的验证集中，BAT-NO 在评估的基线中实现了最低的平均最终步骤平均节点欧几里德位移误差。在最具挑战性的情况下，它相对于第二好的模型将平均误差降低了 32.6%。超参数调整将验证误差从 0.451 毫米减少到 0.269 毫米，在所研究的设计空间内采样的 300 个未见过的测试模拟中，可比误差为 0.267 毫米。基于注意力的标量解码器联合预测六个响应轨迹，平均相对误差为 2.46%。大多数衍生的耐撞性指标的中值误差低于 3%。这些结果表明，显式的局部和全局边界条件表示可以改善扩展的组件级设计空间的耐撞性预测。