Resumen: El cálculo científico de grandes deformaciones en sólidos elástico-plásticos es crucial en diversas aplicaciones de fabricación. Los métodos numéricos tradicionales presentan varias limitaciones inherentes, lo que hace que el aprendizaje profundo (DL) sea una alternativa prometedora. La efectividad de las técnicas de DL actuales generalmente depende de la disponibilidad de conjuntos de datos de gran cantidad y precisión, que aún son difíciles de obtener en grandes problemas de deformación. Durante el proceso de construcción del conjunto de datos, surge un dilema entre la cantidad de datos y la precisión de los datos, lo que lleva a un rendimiento subóptimo en los modelos DL. Para abordar este desafío, nos centramos en una aplicación representativa de grandes deformaciones, el problema de flexión por estiramiento, y proponemos FilDeep, un marco de aprendizaje profundo basado en fidelidad para grandes deformaciones de sólidos elástico-plásticos. Nuestro FilDeep tiene como objetivo resolver el dilema cantidad-precisión entrenando simultáneamente con datos de baja y alta fidelidad, donde el primero proporciona mayor cantidad pero menor precisión, mientras que el segundo ofrece mayor precisión pero en menor cantidad. En FilDeep, proporcionamos diseños meticulosos para el problema práctico de grandes deformaciones. En particular, proponemos módulos de fidelidad cruzada habilitados para la atención para capturar de manera efectiva interacciones físicas de largo alcance a través de datos de MF. Hasta donde sabemos, nuestro FilDeep presenta el primer marco DL para grandes problemas de deformación utilizando datos MF. Amplios experimentos demuestran que nuestro FilDeep logra consistentemente un rendimiento de vanguardia y puede implementarse de manera eficiente en la fabricación.
Publicado originalmente en export.arxiv.org el 15 de enero de 2026.
Ver fuente original
