📖 AI 总结

本文提出一种边界条件感知的Transformer神经算子（BAT-NO），用于车辆部件在几何形状与边界条件变化下的耐撞性预测。针对传统高保真有限元仿真成本高、现有深度学习代理模型多局限于单一预设边界条件的问题，该方法将循环网格处理与潜在网格傅里叶算子相结合，通过局部—全局混合机制将边界条件信息传递至潜在网格，并利用切片注意力建模物理相关区域间的相互作用。研究以B柱仿真为验证框架，考察模型在几何、撞击位置与速度、支撑刚度变化下的泛化能力。结果显示，BAT-NO在形状、形状与载荷、形状—载荷—边界三类验证集上均取得最低的平均末步节点位移误差，最具挑战性情形下较次优模型降低32.6%；超参数调优后验证误差由0.451毫米降至0.269毫米，在300个未见测试仿真上误差为0.267毫米，标量解码器对六条响应轨迹的平均相对误差为2.46%。该工作表明，显式的局部与全局边界条件表征可有效提升扩展设计空间下的耐撞性预测精度。

🔑 关键词速览