基于Transformer的刚性撞击下软体塑性变形实时预测框架

《IEEE Transactions on Artificial Intelligence》：Deep-FEM for realistic 3D meshes deformations

　　

影响力声明：

本工作通过在数据驱动物理模拟中证明刚性撞击下软体的动态变形可以被预测，引入了重大进展……展开更多

摘要：

在本工作中，我们介绍了一种基于 Transformer 的神经网络新框架，用于预测刚性物体撞击下软体的塑性变形。与通常需要大量实验数据集或难以处理复杂非线性材料的现有代理模型不同，我们的方法利用从 ABAQUS^? 高保真 FEM 模拟生成的合成数据集，涵盖一系列针对单一板材材料（304 不锈钢）和两种刚性撞击体几何形状（球体和子弹）的撞击条件和加载场景。

该模型能够在该材料-撞击体设置中泛化到先前未观测到的撞击参数组合，实时生成精确的变形场（每次推理约 10 毫秒）。与相应 FEM 模拟的定量评估表明，球形撞击的平均绝对误差低于 0.02 毫米，子弹撞击为 0.03 毫米。这些结果表明与底层 FEM 模拟器高度一致，同时大幅降低了计算成本。

除了基于物理的模拟，该框架还适用于实时计算机图形、虚拟原型设计和交互式设计，在无需传统求解器开销的情况下提供高视觉保真度。虽然目前的验证仅限于所研究的材料和撞击体配置，但将该框架扩展到额外的材料类型、边界条件和撞击场景是一个自然的下一步，通过相应扩展的合成 FEM 数据集进行重新训练。这些结果突出了我们方法作为对准确性和速度都有要求的场景的实用工具的新颖性和效率。