Металл калыптандыруу сыяктуу чоң масштабдагы ачык акыркы элемент анализдеринде конститутивдик материал модели ар бир убакыт кадамында жана өтө көп сандагы интеграция чекиттеринде кайра-кайра иштетилет. Классикалык von Mises изотроптук катуулануу модели физикалык жактан ишенимдүү болгону менен, мындай үзгүлтүксүз баалоо олуттуу эсептөө чыгымын жаратат. Нейрондук тармакка негизделген ордун басуучу моделдер бул чыгымды азайтуу мүмкүнчүлүгүнө ээ; бирок чакан жана ылдам тармактар ачык интеграция маалында удаалаш божомол каталарынын чоңоюшунан улам сандык туруксуздук көрсөтүшү мүмкүн.

Бул изилдөө аталган карама-каршылыкты “Туюнтуу Күчү–Туруктуулук–Ылдамдык Үчтүгү” деп аныктап, чечим катары Linearized Minimal State Cells (LMSC), native Fortran негизиндеги Abaqus VUMAT интеграциясын жана Knowledge Distillation (KD) ыкмасын бириктирет. Чоң жана жогорку тактыктагы LMSC мугалим моделинде 45.670 параметр бар болсо, ультра-жеңил окуучу тармак 3.542 параметрге чейин кыскартылган; ошентип болжол менен 12,89 эсе параметр кысуу жетишилген.

Бирок изилдөөнүн эң маанилүү жыйынтыгы моделди гана кичирейтүү эмес. Дистилляцияланбаган компакт тармактар оффлайн маалымат топтомунда төмөн ката көрсөтүшү мүмкүн, бирок ачык акыркы элемент интеграциясында чыңалуу каталарын кадам сайын топтоп, туруксуз болуп калышы мүмкүн. Мисалы, u=6, w=50 конфигурациясынын онлайн RMSE көрсөткүчү 111,01ге чейин өссө, билимди дистилляциялагандан кийин ошол эле архитектура үчүн RMSE 2,70ке чейин түшүп, катастрофалык четтөө жоюлган.

Оюктуу созуу, жылышуу жана үч чекиттүү ийүү анализдеринде дистилляцияланган окуучу моделдер эталондук Abaqus von Mises чечимине жакын чыңалуу талааларын жана жүк–жылышуу ийри сызыктарын түзгөн. Native Fortran, BLAS/VML, batch processing жана эс тутум жайгашуусун оптималдаштыруу аркылуу жогорку итерациялуу анализдерде эң кичине тармак Abaqus’тун ички модели менен окшош, ал тургай айрым CPU конфигурацияларында %24кө чейин кыска эсептөө убактысын камсыз кылганы билдирилген.

Эмне үчүн нейрондук тармак колдонуу автоматтык түрдө ылдамыраак акыркы элемент анализин билдирбейт?

Конститутивдик моделди нейрондук тармак менен алмаштыруу теориялык жактан математикалык интеграция чыгымын азайтышы мүмкүн; бирок чыныгы акыркы элемент программасында тармактын математикалык операцияларынын саны гана маанилүү эмес. Тармак салмактарын дисктен окуу, Python менен Fortran ортосунда маалымат өткөрүү, тышкы машина үйрөнүү китепканаларына кайрылуулар жана чакан матрицалык операциялардын натыйжасыз аткарылышы тармактын теориялык артыкчылыгын толугу менен жокко чыгарышы мүмкүн.

Булакта мурунку LMSC интеграция ыкмасы айрым тесттерде Abaqus’тун ички физикалык моделине караганда 4–6 эсе жай иштеши мүмкүн экени айтылат. Ошондуктан авторлор ылдамдык маселесин жөн гана “кичирээк тармак” катары эмес, программалык архитектура маселеси катары да карашат.

Туюнтуу Күчү–Туруктуулук–Ылдамдык Үчтүгү Деген Эмне?

Изилдөөнүн аныктамасына ылайык, ийгиликтүү конститутивдик ордун басуучу модель бир убакта үч шартты аткарышы керек: татаал чыңалуу–деформация тарыхын жетиштүү тактык менен туюнта алышы, жабык циклдүү ачык интеграцияда чакан сандык каталарды чоңойтпой туруктуу калышы жана физикалык конститутивдик моделди алмаштырууну маанилүү кыла тургандай ылдам иштеши керек. Чоң тармактар туюнтуу күчүн жана туруктуулукту камсыз кылат, бирок жай; өтө кичирейтилген тармактар ылдам, бирок туюнтуу мүмкүнчүлүгүн же онлайн туруктуулукту жоготушу мүмкүн.

Эмне үчүн оффлайн тактык адаштырышы мүмкүн?

Оффлайн тестте тармак ар бир божомол кадамында туура физикалык тарых маалыматы менен камсыздалат. Ачык акыркы элемент интеграциясында болсо бир убакыт кадамында тармак чыгарган ички абал кийинки кадамга өткөрүлөт.

Ошондуктан чакан ката:

1. ички абал өзгөрмөсүнө кирет,
2. кийинки божомолду бир аз өзгөртөт,
3. өзгөргөн божомол кийинки абалдын киргизүүсү болот,
4. ката кайра байланышка түшүп чоңоюшу мүмкүн.

Булак муну autoregressive error accumulation деп аныктайт.

Мисалы, LMSC_u6_w25 модели оффлайн test loss боюнча кыйла жакшы көрүнөт:

Loss_test = 9,9 × 10⁻⁵

Бирок Abaqus VUMAT ичиндеги онлайн RMSE:

RMSE = 5,10

болот.

LMSC_u6_w50 үчүн айырма андан да чоң:

Loss_test = 6,17 × 10⁻³

Online RMSE = 111,01

Бул жыйынтыктар ачык интеграциянын туруктуулугун оффлайн MSE же validation loss маанисине гана карап баалоого болбой турганын көрсөтөт.

Билимди Дистилляциялоо Чакан LMSC Тармагын Кантип Туруктуу Кылат?

Изилдөөдө билимди дистилляциялоо чоң моделдин чыгышын чакан моделге үйрөтүү ыкмасы катары гана колдонулбайт. Окуучу тармак Abaqus’тан келген чыныгы чыңалуу маанилерин да, жогорку сыйымдуулуктагы мугалим тармактын жылмакайыраак жана үзгүлтүксүз чыңалуу траекторияларын да үйрөнөт. Авторлор бул жумшак максаттар чакан тармактын ички өкүлчүлүк мейкиндигин жылмакайыраак кылып, удаалаш ката өсүшүнө каршы топологиялык жөнгө салуунун бир түрүн түзөт деп сунушташат.

Мугалим модель

Тандалган мугалим:

• Абал өлчөмү: u = 10
• Жашыруун катмар туурасы: w = 100
• Сызыктуу эмес катмарлардын саны: d = 3
• Параметр: 45.670
• Offline test loss: 9,16 × 10⁻⁵
• Online RMSE: 1,79

Бул тармак жогорку туюнтуу күчүнө жана туруктуулукка ээ; бирок компонент масштабында forward pass чыгымы жогору.

Ультра-жеңил окуучу

LMSC_u6_w25:

• u = 6
• w = 25
• 3.542 параметр
• Мугалимге салыштырмалуу болжол менен 12,89× кичине

KDден кийин оптималдуу дистилляция салмагы болжол менен α = 0,6 деп билдирилген.

w=50 окуучу

LMSC_u6_w50 дистилляцияга чейин олуттуу онлайн четтөө көрсөткөн. Изилдөөдө оптималдуу KD салмагы болжол менен α = 0,9 болуп тандалган.

Билимди дистилляциялоо жоготуусу

Окуучуну үйрөтүүдөгү жоготуу чыныгы Abaqus белгилерин жана мугалим тармактын жумшак максаттарын чогуу камтыйт:

\[ L_{\mathrm{student}} = \alpha \frac{1}{N} \sum \left\| \hat{y}_{student}-y_{true} \right\|^2 + (1-\alpha) \frac{1}{N} \sum \left\| \hat{y}_{student}-\hat{y}_{teacher} \right\|^2 \]

Биринчи мүчө чыныгы физикалык белгилерге шайкештикти, экинчи мүчө болсо мугалимдин жылмакайыраак конститутивдик траекториясына шайкештикти билдирет.

Loss landscape эмнени көрсөтөт?

Булактын 15-сүрөтү жана PDFтин 56-бетиндеги графиктер модель салмактарынын чакан perturbation’дары астындагы loss бетин көрсөтөт.

Мугалим тармакта минимумдун айланасындагы бет кең жана салыштырмалуу симметриялуу. Дистилляцияланбаган компакт моделдерде болсо курчураак, тарыраак жана асимметриялуу аймактар көрүнөт. KDден кийин окуучу тармактардын минимум айланасындагы бети кайрадан тартиптүүрөөк болуп калат.

Авторлор бул кең жана жылмакай минимум түзүлүшүн үзгүлтүксүз интеграция маалында пайда болгон чакан ички-абал perturbation’дарына карата жогорку туруктуулук менен байланыштырышат.

Нейрон активдешүүлөрү эмнени көрсөтөт?

Булактын 57-бетиндеги violin графиктери tanh активдешүүлөрүнүн бөлүштүрүлүшүн салыштырат.

Мугалим модель болжол менен:

−0,709 менен +0,573

аралыгында иштейт.

Дистилляцияланбаган u6_w50 тармагы болсо минимумда болжол менен:

−0,867

маанисине жакындайт. Tanh туундусу:

\[ \frac{d}{dx}\tanh(x)=1-y^2 \]

болгондуктан, авторлордун эсеби боюнча бул аймакта калган жергиликтүү gradient болжол менен %24,8ге чейин төмөндөйт.

KDден кийин минималдуу активдешүү болжол менен −0,521ге тартылып, эң алсыз чекиттеги gradient агымы болжол менен %72,8ге чейин жогорулайт.

Ал эми u6_w25 тармагынын көйгөйү каныгуу эмес, активдешүүлөрдүн болжол менен −0,298 менен +0,289 аралыгында өтө кысылышы. Булак муну “topological stiffness” деп атайт. KDден кийин активдешүү аралыгы кеңейип, тармактын сызыктуу эмес өкүлчүлүк мүмкүнчүлүгү жогорулайт.

Native Fortran Интеграциясы Эмне Үчүн Мынчалык Маанилүү?

Машина үйрөнүү моделинин ылдам болушу, эгер аны акыркы элемент программасына туташтырган катмар жай болсо, жетиштүү эмес. Ошондуктан изилдөөдө LMSC forward pass толугу менен VUMAT ичинде native Fortran менен кайра ишке ашырылган.

Тышкы ML иштөө чөйрөсү жок

Иштөө учурунда PyTorch же TensorFlow чакырылбайт. Тармак салмактары симуляциянын башында бир гана жолу окулуп, андан кийин RAMдагы read-only Fortran MODULE түзүмүндө сакталат.

BLAS жана VML

Тыгыз матрицалык операциялар BLAS, ал эми tanh жана exp сыяктуу функциялар Intel MKL Vector Mathematical Library аркылуу векторлоштурулган.

Эс тутум түзүлүшү

Салмак матрицалары Fortran’дын column-major эс тутум түзүлүшүнө ылайык алдын ала транспозицияланат. Максат stride-1 жеткиликтүүлүгүн камсыз кылып, CPU cache колдонуусун жана SIMD өндүрүмдүүлүгүн жогорулатуу.

Batch processing

Интеграция чекиттери бирден иштетилбестен, пакеттелет. Булак мисал катары:

BATCH_SIZE = 128

маанисин берет.

Ошентип чакан жеке тармак чакырууларынын ордуна тыгыз жана векторлоштурууга ыңгайлуу матрицалык операциялар аткарылат.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Үйрөтүү маалыматтарын түзүү

Маалымат түзүүдө 8 түйүндүү reduced-integration C3D8R бир элемент колдонулган.

Training set:

• 10.000 көз карандысыз деформация жолу

Validation set:

• 1.000 көз карандысыз деформация жолу

Ар бир жол 125 piecewise-linear сегменттен түзүлгөн. Ар бир сегмент 16 микро кадамга бөлүнүп:

125 × 16 = 2.000 микро деформация өсүшү

алынган.

Кокус жолдор серпилгич-пластикалык чектин, кайра жүктөөнүн жана багыт өзгөрүүлөрүнүн көп кездешишин камсыз кылгандай түзүлгөн.

Эталондук материал модели

Эталондук модель классикалык von Mises агуу шарты менен Swift изотроптук катуулануусун бириктирет.

Von Mises эквиваленттүү чыңалуусу:

\[ \bar{\sigma} = \sqrt{\frac{3}{2}\mathbf{s}:\mathbf{s}} \]

Агуу шарты:

\[ f= \bar{\sigma} - \sigma_y(\bar{\varepsilon}^{p}) \leq 0 \]

Swift катуулануусу:

\[ \sigma_y = K \left( \varepsilon_0+\bar{\varepsilon}^{p} \right)^n \]

LMSCнин негизги өзгөчөлүгү

LMSC деформация өсүшүнүн чоңдугу менен багытын бири-биринен ажыратат. Ошентип өзгөрмө FE убакыт/кадам өлчөмүнүн RNN ички абалына жасалма көз карандылык жаратышын азайтууга аракет кылынат.

Ички абалды жаңыртуу булакта аналитикалык формада аткарылат жана Forward Euler сыяктуу дискреттик сандык интеграциянын ордуна жабык-форма жаңыртуусун колдонуу LMSCнин self-consistency өзгөчөлүгүнүн негизи болуп саналат.

Бир элементтүү циклдик тест

Teacher model эталондук чыңалуу–деформация циклдерин дээрлик толук дал келгидей көзөмөлдөгөн.

u6_w25 тармагында дистилляцияга чейин, өзгөчө серпилгич-пластикалык бурчтарда чакан четтөөлөр байкалат.

u6_w50 тармагында болсо үзгүлтүксүз цикл маалында амплитуда жылышы бара-бара чоңоюп, макроскопиялык четтөөгө айланат.

KDден кийин эки тармактын тең чыңалуу циклдери эталондук ийриге кайра жакындаган. PDFтин 42–44-беттериндеги графиктер бул айырманы так көрсөтөт.

Оюктуу созуу

Жылышуу тести

Үч чекиттүү ийүү

Булактын 45–47-беттериндеги Mises контурлары максималдуу маанини гана эмес, KDден кийин жогорку-чыңалуу тилкелеринин мейкиндиктик чек аралары да эталондук чечимге жакындаганын көрсөтөт.

Жүк–жылышуу жүрүм-туруму

Эталондук моделдердин болжолдуу чоку жүктөрү:

• Оюктуу созуу: 2,67 kN.
• Жылышуу: 1,00 kN.
• Үч чекиттүү ийүү: 30,72 kN.

Дистилляцияланбаган u6_w50 тармагы болжол менен:

• 3,37 kN,
• 1,09 kN,
• 37,17 kN

чокуларына чыгып, үч тесттин баарында ашыкча божомол көрсөтөт.

KDден кийин окуучу моделдердин жүк–жылышуу ийри сызыктары эталондук жана мугалим ийри сызыктары менен негизинен дал келет. Бул жүрүм-турум PDFтин 48–50-беттериндеги үч графикте көрүнөт.

Эсептөө убактысы

Оюктуу созуу анализинде болжол менен 1.000.000 итерация үчүн оптималдаштырылган u6_w25 моделинин булакта берилген убакыттары:

Бул жогорку-итерациялуу сценарийде LMSC бардык CPU конфигурацияларында эталондон ылдамыраак.

Болжол менен 100.000 итерацияда болсо баштапкы жана VUMAT чакыруу чыгымдары чоңураак үлүштү түзгөндүктөн артыкчылык жоголушу мүмкүн.

Тармак өлчөмүнүн убакыт чыгымы

16 CPU жана болжол менен 1.000.000 итерациялуу үч чекиттүү ийүү тестинде булак болжол менен:

• Ref: 3.347 s
• u6_w25-opt: 6.796 s
• u10_w100-opt: 15.417 s

деп билдирет.

Бул мисал маанилүү бир чекти көрсөтөт: чоңураак жана такыраак тармактын конститутивдик тактыгы жогору болушу мүмкүн, бирок чыныгы FE симуляциясында чоң ылдамдык жазасын жаратышы мүмкүн.

Amdahl мыйзамы жана азайган кайтарым

Оюктуу созууда 16 CPUда:

• Teacher: 5.971 s
• Ultra-жеңил student: 5.379 s

болгонуна карабастан, тармак параметрлери 12,89 эсе айырмаланат.

Мунун себеби жалпы FE убактысы конститутивдик моделден гана турбайт. Параллелдүү байланыш, контакт, кинематикалык жаңыртуу жана history-variable операциялары модель кичирейген сайын жалпы убакытта көбүрөөк үстөм болуп калат.

Изилдөө түздөн-түз колдогон жыйынтыктар

• Native Fortran интеграциясы мурунку LMSC embedding ыкмаларына салыштырмалуу чоң I/O жана cross-language чыгымдарын жок кылган.
• Билимди дистилляциялоо чакан LMSC тармактарынын онлайн ачык-FE туруктуулугун олуттуу жогорулаткан.
• Оффлайн төмөн loss мааниси онлайн туруктуулуктун жетиштүү көрсөткүчү эмес.
• KDден кийин u6_w50 тармагынын онлайн RMSE көрсөткүчү 111,01ден 2,70ке түшкөн.
• 3.542 параметрлүү окуучу 45.670 параметрлүү мугалимге караганда болжол менен 12,89× кичине.
• KD колдонулган моделдер созуу, жылышуу жана үч чекиттүү ийүү чыңалуу талааларында эталонго жакын жыйынтык берген.
• Жогорку итерациялуу айрым сценарийлерде оптималдаштырылган ультра-жеңил модель Abaqus’тун ички Mises моделине караганда кыскараак wall-clock убактысын берген.
• Loss landscape жана активдешүү бөлүштүрүүлөрү KDден кийин ички өкүлчүлүк геометриясы өзгөргөнүн көрсөтөт.

Изилдөө түздөн-түз колдобогон жыйынтыктар

• Ар бир нейрондук тармак конститутивдик модели билимди дистилляциялоо менен туруктуу болуп калары далилденген эмес.
• KD бардык ачык акыркы элемент анализдери үчүн математикалык туруктуулук кепилдигин бербейт.
• Параметр санынын 12,89 эсе азайышы FE чечими 12,89 эсе ылдамдайт дегенди билдирбейт.
• LMSC бардык итерация сандарында жана бардык компоненттерде Abaqus’тун ички моделинен ылдамыраак эмес.
• Изилдөө чыныгы физикалык созуу/жылышуу/ийүү эксперименттерин текшерүү ground truth катары колдонбойт; негизги эталон Abaqus’тун классикалык Mises модели.
• Анизотроптук пластикалык жүрүм-турум, ылдамдыкка көз карандылык, бузулуу же сынуу бул изилдөөдө текшерилген эмес.
• “Топологиялык жөнгө салуучу” механизми loss-landscape жана активдешүү анализдери менен колдоого алынган автордук түшүндүрмө; жалпы математикалык теорема эмес.

Булак жана Ыкма Жөнүндө Эскертүү

Түпнуска аталышы:Breaking the Expressivity-Stability-Speed Trilemma in Explicit FE Integration via Distilled Linearized Minimal State Cells

Авторлор: Xudong Yang; Yanfeng Yang; Heng Li.

Мекемелер: State Key Laboratory of Solidification Processing, School of Materials Science and Engineering, Northwestern Polytechnical University; Research & Development Institute of Northwestern Polytechnical University in Shenzhen.

Булак түрү: Эсептөө механикасы / машина үйрөнүү колдоого алган конститутивдик моделдөө препринти.

Платформа: SSRN.

SSRN каттоо номери: 7381099.

Рецензия абалы: Жүктөлгөн эмгек ар бир бетинде peer review’dan өтпөгөнүн билдирет.

Эталондук конститутивдик модель: von Mises (J2) агуу критерийи + Swift изотроптук катуулануусу.

Эталондук акыркы элемент программасы: Abaqus/Standard маалымат түзүү жана Abaqus/Explicit VUMAT интеграциясы.

Негизги нейрондук тармак: Linearized Minimal State Cells (LMSC).

Негизги кысуу/жөнгө салуу ыкмасы: Knowledge Distillation.

Мугалим: u=10, d=3, w=100; 45.670 параметр.

Ультра-жеңил окуучу: u=6, w=25; 3.542 параметр; болжол менен 12,89× параметр кысуу.

Маалымат топтому: 10.000 training жана 1.000 validation деформация жолу; ар бир жол үчүн 125 сегмент жана 2.000 микро өсүш.

Структуралык текшерүүлөр: Оюктуу созуу, локалдык жылышуу жана үч чекиттүү ийүү.

Программалык оптималдаштыруулар: Library-free native Fortran, параметрлерди бир жолку жүктөө, global read-only weights, BLAS, Intel MKL VML, эс тутум транспозициясы, stride-1 жеткиликтүүлүк, batch processing жана SIMD.

Маалыматка жеткиликтүүлүк: Авторлор бул изилдөөдө эсептелген же талданган бардык маалыматтар макаланын ичинде бар экенин билдиришет.

Каржылоо: National Natural Science Foundation of China жана ар кандай Shenzhen, Shaanxi жана борбордук университеттик изилдөө программалары тарабынан колдоого алынган.

Кызыкчылыктардын кагылышы: Авторлор атаандаш кызыкчылыктар жок экенин билдиришет.

AI колдонуу билдирүүсү: Авторлор Gemini 3 Pro’ну грамматика жана тил агымын жакшыртуу максатында колдонушканын; техникалык мазмунду өздөрү текшерип, түзөтүп, жыйынтыктар үчүн жоопкерчиликти өздөрүнө алышарын билдиришет.

Негизги илимий чек: Изилдөө физикалык ground truth катары эксперименталдык металл үлгүлөрүнөн өлчөнгөн чыңалуу тарыхын эмес, Abaqus ичиндеги von Mises–Swift моделин колдонот. Ошондуктан көрсөтүлгөн ийгилик негизинен классикалык сандык конститутивдик моделди төмөн чыгымдуу ордун басуучу модель менен кайра жаратуу болуп саналат.

Жалпылоо чеги: Анизотроптук агуу, вископластикалуулук жана continuum damage mechanics келечектеги изилдөө багыттары катары гана аталат.

Туруктуулук чеги: Изилдөөнүн “catastrophic autoregressive divergence eliminated” жыйынтыгы каралган моделдер жана жүк жолдору үчүн эксперименталдык эсептөө жыйынтыгы; бардык ачык FE маселелери үчүн формалдуу туруктуулук кепилдиги эмес.

Ылдамдык чеги: Ылдамдык артыкчылыгы итерация санына, тармак өлчөмүнө, CPU санына жана маселенин түрүнө көз каранды. Аз итерациялуу анализдерде native Abaqus модели ылдамыраак болушу мүмкүн.

Amdahl чеги: Тармак кичирейген сайын конститутивдик inference жалпы эсептөө убактысынын азыраак бөлүгүн түзөт; ошондуктан параметр кысуунун wall-clock утушу сызыктуу эмес.