基于分辨率无关DeepONet-ABC框架的复合材料逆表征方法研究

《Advances in Engineering Software》：A resolution-independent DeepONet-ABC framework for inverse characterization of composite materials

本文提出了一种融合近似贝叶斯计算（ABC）与分辨率无关策略（RIS）的创新逆分析方法，通过DeepONet算子学习构建代理模型，成功解决了碳纤维增强聚合物（CFRP）材料参数反演中传感器布局敏感性问题。该框架突破传统方法对数据对齐的严格限制，为复合材料不确定性量化提供了新范式。

　　

Section snippets

Methodology

复合材料逆表征的核心在于建立从有限维参数空间到响应函数无限维空间的映射。传统神经网络需要将函数数据向量化到固定网格，这对实际应用带来显著限制。

Problem descriptions

RIDM框架与ABC的结合为统计逆问题提供了强大解决方案。为验证其有效性，本研究将其应用于具有工业挑战性的逆问题：CFRP材料本构模型MAT_262的参数标定。

Validation of accuracy

采用两个指标评估神经网络性能：相对L₂误差用于衡量模型精度，计算公式为L₂=∥y_FE-y_predicted∥₂/∥y_predicted∥₂，其中y_FE代表有限元计算值，y_predicted为神经网络预测值；第二项指标R2用于评估拟合优度。

Conclusions

本研究开发的新型计算框架成功将RIDM代理模型与ABC推理方案结合，专门用于CFRP材料MAT_262等高维本构模型校准。主要创新包括：

• 新方法学：我们开发了...