Redes de operadores profundos avanzadas para predecir campos de solución multifísica en procesamiento de materiales y manufactura aditiva

A diferencia de las redes neuronales artificiales clásicas, que requieren reentrenamiento para cada nuevo conjunto de entradas paramétricas, la Red de Operadores Profundos (DeepONet), un marco de aprendizaje profundo introducido recientemente, aproxima operadores de solución lineales y no lineales al tomar funciones paramétricas (objetos de dimensión infinita) como entradas y asignarlas a campos de solución completos. En este documento, se entrenan por primera vez dos formulaciones de DeepONet recién diseñadas con aprendizaje secuencial y arquitecturas de Residual U-Net (ResUNet) para predecir simultáneamente campos de solución térmica y mecánica completos bajo cargas variables, Historias de carga, parámetros de proceso e incluso geometrías variables. Se demuestran dos aplicaciones del mundo real: 1- análisis termo-mecánico acoplado de colada continua de acero con múltiples leyes constitutivas visco-plásticas y 2- deposición de energía directa acoplada secuencialmente para fabricación aditiva. A pesar de distribuciones de objetivos altamente desafiantes y espacialmente variables, DeepONets pueden inferir soluciones razonablemente precisas de temperatura y estrés de campo completo varias órdenes de magnitud más rápido que el análisis de elementos finitos (FEA) tradicional y altamente optimizado, incluso cuando las simulaciones de FEA se ejecutan en las últimas plataformas de computación de alto rendimiento. La capacidad del modelo DeepONet propuesto para proporcionar predicciones de campo casi instantáneamente para parámetros de entrada no vistos abre la puerta para la futura evaluación preliminar y optimización del diseño de estos procesos industriales vitales.