一种基于神经网络的超高速碰撞过程模拟方法和装置

1.一种基于神经网络的超高速碰撞过程模拟方法，其特征在于，所述方法包括：获取目标时刻的目标物质点的空间坐标信息，所述目标物质点为超高速碰撞过程中待模拟物体的物质点；将所述空间坐标信息输入预先训练好的目标神经网络，得到所述目标神经网络输出的初始等效塑性应变和初始应力三轴度；将所述初始等效塑性应变输入第一分支网络，提取得到初始等效塑性应变特征向量；将所述空间坐标信息输入第一主干网络，提取得到第一空间坐标特征向量；根据所述初始等效塑性应变特征向量和所述第一空间坐标特征向量，得到模拟的所述目标物质点的在所述目标时刻的应力三轴度；第一算子神经网络由所述第一分支网络和所述第一主干网络组成，所述第一算子神经网络采用深度算子网络DeepONet网络结构；将所述空间坐标信息和所述初始应力三轴度输入预先训练好的第二算子神经网络，得到所述第二算子神经网络输出的所述目标物质点在所述目标时刻的等效塑性应变；其中，所述目标神经网络、所述第一算子神经网络和所述第二算子神经网络的组合用于模拟超高速碰撞过程中物质点的空间坐标信息、应力三轴度和等效塑性应变之间的非线性映射关系；所述第一算子神经网络和所述第二算子神经网络采用相同的网络结构；所述目标神经网络采用以下方式训练得到：将样本物质点的样本空间坐标信息输入初始神经网络，得到所述初始神经网络输出的等效塑性应变初始值和应力三轴度初始值；将所述样本空间坐标信息和所述等效塑性应变初始值输入预先训练好的第一算子神经网络，得到所述第一算子神经网络输出的所述样本物质点的应力三轴度预测值；将所述样本空间坐标信息和所述应力三轴度初始值输入预先训练好的第二算子神经网络，得到所述第二算子神经网络输出的所述样本物质点的等效塑性应变预测值；根据应力三轴度实测值和所述应力三轴度初始值之间的差异，以及等效塑性应变实测值和所述等效塑性应变初始值之间的差异，确定第三网络损失；根据所述应力三轴度实测值和所述应力三轴度预测值之间的差异，以及所述等效塑性应变实测值和所述等效塑性应变预测值之间的差异，确定第四网络损失；根据所述第三网络损失和所述第四网络损失调整所述初始神经网络的网络参数，当达到训练结束条件时，得到所述目标神经网络。 2.根据权利要求1所述的方法，其特征在于，所述第二算子神经网络采用DeepONet网络结构；所述第二算子神经网络由第二分支网络和第二主干网络组成；所述将所述空间坐标信息和所述初始应力三轴度输入预先训练好的第二算子神经网络，得到所述第二算子神经网络输出的所述目标物质点在所述目标时刻的等效塑性应变，包括：将所述初始应力三轴度输入所述第二分支网络，提取得到初始应力三轴度特征向量；将所述空间坐标信息输入第二主干网络，提取得到第二空间坐标特征向量；根据所述初始应力三轴度特征向量和所述第二空间坐标特征向量，得到模拟的所述目标物质点在所述目标时刻的等效塑性应变。 3.根据权利要求1所述的方法，其特征在于，所述第一算子神经网络采用以下方式训练得到：将样本物质点的样本空间坐标信息和等效塑性应变实测值输入待训练的初始第一算子神经网络，得到所述初始第一算子神经网络输出的应力三轴度模拟值；根据所述应力三轴度模拟值和应力三轴度实测值之间的差异，确定第一网络损失；根据所述第一网络损失调整所述初始第一算子神经网络的网络参数，当达到训练结束条件时，得到所述第一算子神经网络。 4.根据权利要求1所述的方法，其特征在于，所述第二算子神经网络采用以下方式训练得到：将样本物质点的样本空间坐标信息和应力三轴度实测值输入待训练的初始第二算子神经网络，得到所述初始第二算子神经网络输出的等效塑性应变模拟值；根据所述等效塑性应变模拟值和等效塑性应变实测值之间的差异，确定第二网络损失；根据所述第二网络损失调整所述初始第二算子神经网络的网络参数，当达到训练结束条件时，得到所述第二算子神经网络。 5.一种基于神经网络的超高速碰撞过程模拟装置，其特征在于，所述装置包括：数据获取模块，用于获取目标时刻的目标物质点的空间坐标信息，所述目标物质点为超高速碰撞过程中待模拟物体的物质点；目标网络模块，用于将所述空间坐标信息输入预先训练好的目标神经网络，得到所述目标神经网络输出的初始等效塑性应变和初始应力三轴度；第一算子模块，用于将所述初始等效塑性应变输入第一分支网络，提取得到初始等效塑性应变特征向量；将所述空间坐标信息输入第一主干网络，提取得到第一空间坐标特征向量；根据所述初始等效塑性应变特征向量和所述第一空间坐标特征向量，得到模拟的所述目标物质点的在所述目标时刻的应力三轴度；第一算子神经网络由所述第一分支网络和所述第一主干网络组成，所述第一算子神经网络采用DeepONet网络结构；第二算子模块，用于将所述空间坐标信息和所述初始应力三轴度输入预先训练好的第二算子神经网络，得到所述第二算子神经网络输出的所述目标物质点在所述目标时刻的等效塑性应变；其中，所述目标神经网络、所述第一算子神经网络和所述第二算子神经网络的组合用于模拟超高速碰撞过程中物质点的空间坐标信息、应力三轴度和等效塑性应变之间的非线性映射关系，所述第一算子神经网络和所述第二算子神经网络采用相同的网络结构；所述目标神经网络采用以下方式训练得到：将样本物质点的样本空间坐标信息输入初始神经网络，得到所述初始神经网络输出的等效塑性应变初始值和应力三轴度初始值；将所述样本空间坐标信息和所述等效塑性应变初始值输入预先训练好的第一算子神经网络，得到所述第一算子神经网络输出的所述样本物质点的应力三轴度预测值；将所述样本空间坐标信息和所述应力三轴度初始值输入预先训练好的第二算子神经网络，得到所述第二算子神经网络输出的所述样本物质点的等效塑性应变预测值；根据应力三轴度实测值和所述应力三轴度初始值之间的差异，以及等效塑性应变实测值和所述等效塑性应变初始值之间的差异，确定第三网络损失；根据所述应力三轴度实测值和所述应力三轴度预测值之间的差异，以及所述等效塑性应变实测值和所述等效塑性应变预测值之间的差异，确定第四网络损失；根据所述第三网络损失和所述第四网络损失调整所述初始神经网络的网络参数，当达到训练结束条件时，得到所述目标神经网络。 6.一种电子设备，其特征在于，所述设备包括存储器、处理器，所述存储器用于存储可在处理器上运行的计算机指令，所述处理器用于在执行所述计算机指令时实现权利要求1至4任一所述的基于神经网络的超高速碰撞过程模拟方法。 7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至4任一所述的基于神经网络的超高速碰撞过程模拟方法。