基于光谱信息的参数化图深度网络，用于航空航天结构非结构化网格的响应预测

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Spectrally-Informed Parametric Graph DeepONet for Response Prediction on Unstructured Meshes of Aerospace Structures

　　

Jinyuan Li|Jinglong Chen|Zijun Liu|Jun Wang

摘要

在航空航天参数化设计中，需要通过多种几何形状和不同的随机振动功率谱密度来分析全场均方根加速度和应变响应，从而找出强度敏感的区域。传统的固定网格替代模型在网格离散化或激励谱发生变化时可能会失去准确性。为解决这一问题，我们开发了一种基于功率谱条件的图深度神经网络替代模型——SIPG-DeepONet，用于将功率谱函数和几何参数映射到非结构化有限元网格的全场均方根响应上。该框架利用具有谱意识的条件分支来编码功率谱形态特征、与振幅相关的谱描述符以及设计参数，同时通过图注意力主干结构根据有限元连接性和节点几何特性构建考虑网格特性的空间基函数。节点响应场通过类似深度神经网络的结构进行计算，对于敏感区域则通过轻量级残差校正进一步优化。在对未知几何形状的数值研究表明，SIPG-DeepONet能够实现精确的加速度均方根预测，R2值为0.958，相对L2误差为5.7%。在应变均方根预测方面，该模型相比现有基准模型在处理敏感区域时表现更佳。这些结果表明，SIPG-DeepONet可作为一种考虑网格特性的替代模型，用于参数化结构设计中的早期随机振动响应筛选。