基于3D几何特征深度表达学习的物理系统仿真

来源：计算机应用杂志2024年第11期北京时间：

作者：林滏, 石稼晟, 高泽, 楚遵康, 马琼敏, 余海燕, 饶卫雄

单位：1.同济大学 软件学院，上海 201804；2.同济大学 汽车学院，上海 201804；3.复杂系统仿真总体重点实验室，北京 100101

摘要：针对现有深度学习方法在物理系统仿真中无法处理几何边界与初始条件同时变化的场景的问题，提出将几何边界约束的表达与物理系统仿真解耦的技术思路，设计了几何特征表达学习和物理系统仿真双步骤的技术路线。在构建与外部物理条件无关的几何特征提取模块之后，融合提取的几何特征与物理特征，最后设计基于神经网络的物理系统仿真方法。在应力场预测实验中，所提方法的预测时间为2.63 ms，远低于有限元法（FEM）的0.6 s，且平均绝对误差（MAE）仅为MeshNet的0.389倍。实验结果表明，所提方法能够保持较高仿真精度，同时能够较好地适应不同的几何边界与初始条件。

关键词：有限元法,物理系统仿真,3D网格,特征表达,平均绝对误差

基金资助：国家重点研发计划项目(2022YFE0208000)