ConsRNN嵌入有限元求解器实现路径相关损伤预测

一句话结论

ConsRNN嵌入Abaqus/Explicit求解器实现增量无关的损伤预测，为显式有限元分析提供离散一致性替代方案。

关键要点

• ConsRNN在应变路径细化时预测收敛，SimpleRNN随增量数增加产生漂移，后者无法用于嵌入
• 嵌入的ConsRNN在结构尺度上控制元素删除，与既有双参数断裂准则达到相同峰值力和峰值位移
• 两种预测在峰前完全一致，仅在峰后软化段发生分歧，这是结构必然
• 研究将训练好的RNN损伤准则用Fortran重新实现，作为VUMAT子程序中的实时断裂判据
• 该工作首次将非标准过渡函数循环单元在结构尺度上嵌入显式有限元求解器

背景与事实

该研究于2026年7月30日提交至arXiv（cs.LG分类），作者为Muhammed Adil Yatkin博士。核心问题在于：将训练好的代理模型嵌入有限元（FEM）求解器以捕捉薄板金属局部化物理行为时，代理模型必须在求解器的应变增量步数不受控的情况下给出一致预测，而在非线性显式代码中控制增量步数极为困难。

研究团队将训练好的RNN损伤准则用Fortran重新实现，嵌入Abaqus/Explicit的用户材料子程序（VUMAT），作为逐增量推进的实时断裂判据，使网络状态随求解器同步更新。对比了两种架构：SimpleRNN和提出的ConsRNN。ConsRNN的过渡函数经过专门设计，使其预测在应变路径细化时收敛，而非随增量步数漂移。

两种网络均在双线性应变路径上训练，并在不同时间离散化和非线性历史下评估。结果显示SimpleRNN的预测随增量数增加而漂移，因此被排除出嵌入候选；ConsRNN在细化时收敛，但在多线性路径上以固定分辨率精度为代价。在结构尺度部署中，嵌入的ConsRNN代理模型控制一块夹固钢板中的元素删除，其峰值力与峰值位移与既有双参数断裂准则完全一致。

影响分析

对中文开发者和结构工程从业者而言，这项工作的实际意义在于：当需要将机器学习代理模型嵌入工业级显式有限元求解器（如Abaqus/Explicit）时，离散一致性（discretisation consistency）应作为首要筛选标准，而非单纯的固定分辨率精度。SimpleRNN虽然在小规模测试中精度可能更高，但其在增量数变化下的漂移特性使其无法通过工程验证。这提示开发者在评估循环神经网络代理模型时，必须测试其在不同时间步长下的行为一致性。此外，该工作展示了将Python生态中训练的RNN模型转换为Fortran并嵌入商业求解器的完整路径，为跨语言、跨平台的代理模型部署提供了可参考的工程范式。需要强调的是，该分析基于论文报告的单一结构尺度验证案例，尚不能推广至其他材料体系或更大规模问题。

适用边界

该结论的成立依赖于以下条件：代理模型必须通过逐增量嵌入方式参与求解器计算，而非后处理比对；验证对象为夹固钢板这一特定结构尺度与边界条件；训练数据限于双线性应变路径；评估指标聚焦于峰前响应一致性。对于隐式求解器、不同边界条件、多维材料模型或峰值后软化行为的精确捕捉，该结论不一定适用。ConsRNN在多线性路径上以固定分辨率精度为代价的特性也表明，其精度优势并非无限制存在。

孤本观察

本次评测注意到，研究明确将"峰前一致"归因于构造必然性（无元素在峰值前删除，两种运行共享相同本构路径），而非模型优越性，这种归因方式在代理模型嵌入验证中较为严谨，避免了将平凡一致性误读为方法论突破。

来源：arXiv cs.LG