爆轰波 AI 快速重构实测！非传统 PINN，专啃复杂几何冲击硬骨头

3月前浏览248

点击文尾阅读原文查看

作者 | 林老师仿真秀优秀讲师

首发 | 仿真秀App

导读：最近，我原创了多篇LSDYNA二次开发技术文章，例如：从手工改文件到一键批处理：LS-DYNA连续爆炸自动化工具来了、不用再手动整理！LS-DYNA关键字K文件自动拆分工具，免费送和别再靠经验判危险区域！SPH梯度计算工具，量化LSDYNA冲击损伤的核心规律。并推出了多个自动化工具，深受学习者喜爱。

这些工具收录到我的仿真秀官网免费课程《LS-PrePost二次开发与自动化基础入门10讲》详情页附件，所有程序和代码都支持免费下载，请点击文尾阅读原文下载，查看课程还可学习具体操作过程。你也可以在文章末尾点赞和再看，转发到朋友圈，我会在24小时手动发你。

本文继续为读者朋友带来一个新的工具ShockGeoNet：一个面向复杂几何冲击问题的深度学习场预测网络。源代码也收录到以上视频的详情页可下载。

在爆炸冲击、流固耦合和高速瞬态动力学问题中，爆轰波传播一直是最难计算、也最耗资源的一类问题。传统显式动力学计算虽然精度高，但在几何不断变化、工况持续增加时，建模与求解成本都会迅速上升。

如果能够让深度学习模型从已有仿真结果中学习爆轰波传播规律，并在新几何下快速预测密度、速度和压力场，那么它就有机会成为传统仿真的高效补充工具。

基于这一目标，我们构建了一个面向复杂几何爆轰传播预测的网络： ShockGeoNet 。这里必须说清楚，当前网络不属于传统 PINN，不适合强行称为 PINN。它更准确的定位，是一个几何条件神经场代理模型，并辅以局部物理约束。

它到底是什么网络？

ShockGeoNet 的核心不是用 PDE 残差直接“求解方程”，而是学习一个从“几何条件 + 时空坐标”到“物理场变量”的连续映射。换句话说，它首先是一个数据驱动场预测网络，而不是经典意义上的 PINN。

它的基本形式可以概括为：

输入：geommask、boundarymask、sdf、source_mask 四类几何通道
查询：空间坐标 x、y 和时间坐标 t
输出：密度 rho、速度 u、速度 v、压力 p

这种思路更接近 Geometry-conditioned Neural Field ，也就是“几何条件神经场”。它保留了深度学习代理模型的灵活性，又在平滑区域叠加一定的物理约束，使结果更稳定。

这个网络的主要优点

第一，几何表达能力强。网络并不是只看坐标，而是显式输入几何掩膜、边界掩膜和有符号距离场，使其能够感知复杂通道、障碍、删格以及起爆源位置。

第二，更适合复杂几何下的爆轰传播预测。面对不同几何构型，网络可以直接基于几何输入做场重建，而不是只能针对单一固定算例工作。

第三，支持连续时空查询。它不是按固定时间步递推，而是通过输入任意时空坐标进行场变量预测，因此在后处理、可视化和代理分析方面更灵活。

第四，训练策略更符合冲击波特点。后续改进中，物理损失不再作用于爆轰前沿和反射波区域，从而避免了已经学习出的波前继续被物理残差抹平。

具体来说：

强间断区域：主要依赖监督数据学习
平滑区域：使用物理残差提高一致性
这样既保护了波前，又保留了平滑区的物理约束

第五，可以与 LS-DYNA 等数值结果直接配合。网络训练数据本身来自仿真结果，因此更容易接入现有仿真流程，适合做批量工况预判和快速代理分析。

这个网络目前的不足也必须说清楚

第一，它目前仍然更偏数据驱动代理模型，而不是强物理求解器。也就是说，它可以高效重构和预测场变量，但还不能简单等同于“替代数值求解器”。

第二，强间断区域仍然是最难学的部分。虽然通过排除 shock 区域的物理损失，已经减少了波前被抹平的问题，但爆轰前沿、反射波和多波系交互区域，仍然是误差最敏感的位置。

第三，压力通道的学习仍偏弱。当前训练中为了稳住整体过程，对压力通道权重进行了弱化处理，这会在一定程度上影响压力峰值与细节表达。

第四，物理损失的设计还在继续调整。实践证明，如果在爆轰前沿和反射波上强行施加 PDE 残差，会直接把已经学好的波前抹平，因此当前物理约束只能选择性地作用在平滑区，这说明物理损失的构造还远没有到最优状态。

第五，验证指标体系仍需进一步优化。尤其在速度和压力通道上，相对误差指标有时会受到低幅值区域影响，导致数值表现与视觉效果并不完全一致。

第六，泛化能力还需要更多工况验证。对于复杂几何、不同起爆参数以及更大范围的时空变化，网络虽然已经具有一定适应性，但离真正高可信的工程级代理模型还有一段距离。

为什么不应该把它叫 PINN？

很多人一看到“有物理损失”，就习惯性把网络归到 PINN 里。但这会误导理解。当前这套网络的主要训练动力仍然是监督数据，而不是 PDE 残差主导。

更关键的是，当前网络已经明确证明：在爆轰前沿和反射波区域，不能简单粗暴地施加 PDE 约束。也就是说，它并不是一个依赖全域物理残差求解的网络，而是一个以数据学习为主、物理约束为辅的几何条件代理模型。

因此，与其叫它 PINN，不如直接称之为： ShockGeoNet——面向复杂几何冲击问题的深度学习场预测网络。这个名字更准确，也更符合它当前的实际定位。

它适合用在哪些场景？

ShockGeoNet 更适合以下类型的问题：

复杂二维通道中的爆轰波传播预测
障碍物作用下的反射波、绕射波分析
多几何工况下的快速代理计算
深度学习辅助冲击动力学仿真
显式动力学大批量工况预筛选与趋势预判

对于需要频繁修改几何并反复进行显式动力学计算的研究与工程人员来说，这类网络的价值并不在于“完全替代仿真”，而在于显著提高前期分析效率。

结语：真正值得关注的，不是名字，而是是否解决问题

ShockGeoNet 的意义，并不在于给网络贴上一个流行标签，而在于它是否真的针对爆轰传播问题做了有效设计。

当前这套网络的价值在于：它已经能够围绕复杂几何、强间断和爆轰波传播这些实际难题，建立一套可训练、可预测、可与仿真流程结合的代理网络框架。当然，它还有缺点，也还有不少需要继续打磨的地方。但从研究与工程应用角度看，它已经展示出一个明确方向：在大量仿真数据基础上，如何用更合理的深度学习方法去重建和预测复杂冲击波场。

LS-DYAN仿真从入门到精通

为了帮助读者理解并掌握LSDYNA分析方法理论及应用，笔者在仿真秀官网独家首发了《 LS-DYNA2023人基础入门》视频课程和《LS-DYNA冲击与爆炸专题全集》旨在帮助工程师掌握LS-DYNA分析应用专业技能，并提供答疑解惑，帮助工程师快速成长。

1、LS-Dyna2023R1基础入门

该视频教程基于ANSYS LS-dyna最新的版本2023 R1进行讲解，手把手全流程界面操作演示。具有完整的案例介绍，从建模、设置边界条件、求解设置、后处理全流程讲解；包括19个最新仿真设计案例讲解与下载，涵盖包括航空、汽车等多个工业制造行业，及多个常见的模拟应用场景演示，工程实践性强；适合学生、老师以及有意愿学习显式求解算法的初学者。