精选理由
做多尺度仿真和材料力学计算的团队，终于有了一个能同时处理时间依赖和空间应力场的高效替代方案——比有限元快 1000 倍，还能跨网格直接迁移，建议做结构分析的开发者点开看看。
该研究提出了一种结合长短期记忆网络（LSTM）和物理信息图神经网络（GNN）的框架，用于重建非线性、历史依赖载荷下异质微结构的局部应力场。LSTM 编码宏观应力-应变序列，捕捉路径依赖的本构响应；GNN 则重建每个时间步的空间应力场。通过引入带线性热启动的相对权重策略，平衡数据驱动重建损失和离散散度平衡惩罚，解决了弹塑性区域固定权重无法收敛的问题。模型在 10,000 条非比例加载路径上训练，比有限元仿真快三个数量级，且能泛化到两倍训练长度的加载序列，累积误差仅 1.9%。由于图依赖网格连通性而非具体单元类型，训练好的代理模型可直接应用于不同单元类型和粗细网格，无需重新训练。
AI 翻译 · 中文
该研究提出了一种结合长短期记忆网络（LSTM）和物理信息图神经网络（GNN）的框架，用于重建非线性、历史依赖载荷下异质微结构的局部应力场。LSTM 编码宏观应力-应变序列，捕捉路径依赖的本构响应；GNN 则重建每个时间步的空间应力场。通过引入带线性热启动的相对权重策略，平衡数据驱动重建损失和离散散度平衡惩罚，解决了弹塑性区域固定权重无法收敛的问题。模型在 10,000 条非比例加载路径上训练，比有限元仿真快三个数量级，且能泛化到两倍训练长度的加载序列，累积误差仅 1.9%。由于图依赖网格连通性而非具体单元类型，训练好的代理模型可直接应用于不同单元类型和粗细网格，无需重新训练。
Reconstructing local stress fields in heterogeneous microstructures under non-linear, history-dependent loading remains a major computational bottleneck in multi-scale simulations. We propose a coupled LSTM-GNN framework…