NCSA Delta 系统利用人工智能对增材制造过程压力演变进行预测

    2023年12月26日，美国伊利诺伊大学厄巴纳-香槟分校（UIUC）的国家超级计算应用中心（NCSA）和格雷恩格工程学院的研究人员利用人工智能在应力预测研究方面取得了进展。他们的工作集中在深度操作网络（DeepONet）的实施上，旨在改善复杂几何形状中的应力响应预测，比如增材制造零部件。利用NCSA的Delta系统，他们取得了与传统有限元方法相比明显更快的结果。

应力解决方案比较、DeepONet 预测与材料非线性（塑料）有限元 (FE) 解决方案。（图片来源：UIUC）

团队通过伊利诺伊计算（Illinois Computes）进行了他们的研究，这是一个提供广泛计算和数据存储资源的项目。该计划促进了跨学科的合作，结合了机器学习和计算力学。著名的Delta系统以其高性能的GPU计算能力而闻名，对使用Abaqus软件进行深度神经网络训练和生成训练数据至关重要。

这项研究已经产生了两篇重要的出版物。首篇发表在《应用力学和工程中的计算机方法》杂志上，介绍了一种新颖的DeepONet，使用残差U-Net（ResUNet）来编码复杂的几何形状。这种方法标志着ResUNet首次在DeepONet架构中的应用，展示出相对传统方法具有更优越的内存效率和灵活性。该论文题为：“A physics-informed variational DeepONet for predicting crack path inquasi-brittle materials”，论文链接：https://www.sciencedirect.com/science/article/abs/pii/S004578252200010X

第二篇发表在《人工智能工程应用》杂志上的论文描述了另一个创新的DeepONet版本，S-DeepONet。它利用先进的序贯学习方法，在不同的热力和机械载荷下提供了更准确的多物理解决方案。该论文题为：“Sequential Deep Operator Networks (S-DeepONet) for predictingfull-field solutions under time-dependent loads”，论文链接：https://www.sciencedirect.com/science/article/abs/pii/S0952197623014422

UIUC的机械科学与工程教授IwonaJasiuk说道：“增材制造是一种革命性的制造技术，为其实施开启了几乎无限的可能性。DeepONet是一个强大而快速的计算工具，可以在各种空间和时间尺度上模拟增材制造过程。这样的模拟对于更深入地理解增材制造过程及其实施和监测至关重要。”

这项研究不仅是人工智能应用的重大飞跃，也对先进制造过程和数字孪生体的发展具有重要影响。NCSA和MechSE之间的合作突显了跨学科专业知识和尖端技术的协同作用。