DeepONet لتوقع استجابة الفشل لطبقة مركبة مدعمة بالألياف ثنائية الأبعاد

تمت دراسة التطبيقات في مجال الميكانيكا القائمة على البيانات على نطاق واسع في السنوات الأخيرة، مستفيدة من أحدث تطورات الذكاء الاصطناعي. في هذا السياق، تم اعتماد العديد من تقنيات التعلم الآلي لتقديم توقع سريع ودقيق للاستجابة الهيكلية للمواد والأنظمة الهيكلية المعقدة. يعتمد مفهوم التعلم الآلي النسبي الجديد على استخدام شبكات المشغل العميق (DeepONets) التي يمكن أن تقارب المشغلين بدقة وكفاءة، من مجموعة بيانات صغيرة نسبياً. لذلك، يوفر المقال إطار المنهجية لتطبيق شبكة مشغل عميقة (DeepONet) في تطبيقات الميكانيكا الهيكلية. تم تطوير مجموعة بيانات باستخدام محاكاة العناصر المحدودة غير الخطية البارامترية لهيكل مركب مدعم بالألياف ثنائي الأبعاد. ثم تم تطوير DeepONet، بهدف توقع استجابة الفشل لهذا الهيكل. كما يتم تقديم مقارنة مع النتائج التي تم الحصول عليها من الشبكات العصبية الاصطناعية التقليدية (ANNs). تشير النتائج التي تم الحصول عليها من اختبار نموذج DeepONet المدرب على بيانات غير مشمولة في التدريب إلى أداء مناسب. يؤدي اختبار نموذج DeepONet على وظائف مدخلات جذع أو مدخلات فرع غير مرئية إلى دقة مرضية، بينما يؤدي اختباره على مدخلات جذع وفرع غير مرئية إلى دقة جيدة، تتحسن مقارنةً بتلك المعطاة من ANNs. وبالتالي، يتم تقييم قدرة DeepONet على توقع الاستجابة في سياق الميكانيكا الهيكلية غير الخطية.