Jan, 2023

基于 LS-DYNA 机器学习的短纤维增强复合材料非线性建模的多尺度方法

PDF
TL;DR本研究提出了一种基于机器学习的多尺度方法，将注射成型引起的微观结构，材料均质化和深度材料网络（DMN）与有限元模拟软件 LS-DYNA 相结合，用于短纤维增强复合材料的结构分析。通过将 DMN 与有限元耦合，我们开发了一种高度准确和高效的数据驱动方法，该方法以比高保真度直接数值模拟快若干个数量级的计算速度预测复合材料和结构的非线性行为。
short-fiber-reinforced compositesmultiscale methodmachine learninginjection moldingstructural analysis
发现论文，激发创造
  • 深度学习方法用于粘弹性纤维复合材料的动态力学分析

    利用深度神经网络将微结构映射到其机械特性，加速过程，并允许根据所需特性生成微结构。

    Oct, 2023

  • 短切纤维 / 聚合物纳米复合材料的热力学一致的基于物理信息的深度学习材料模型

    本文提出了一种基于物理约束的深度学习（PIDL）的本构模型，用于研究不同环境条件下短纤维增强纳米填充环氧的粘弹性 - 粘塑性行为。深度学习模型通过强制施加热力学原理来训练，从而得到一个热力学一致的本构模型。通过将长短期记忆网络与前馈神经网络相结合，预测用于表征纳米复合材料内耗的内部变量。此外，还使用了另一个前馈神经网络来指示自由能函数，从而定义整个系统的热力学状态。PIDL 模型首先针对三维情况进行开发，通过从经典本构模型生成合成数据来训练模型，然后通过从循环加载 - 卸载实验测试中直接提取数据进行训练。数值实例表明，PIDL 模型可以准确预测不同纤维和纳米颗粒体积分数下基于环氧树脂的纳米复合材料在各种湿热条件下的力学行为。

    Mar, 2024

  • 基于微观结构的图神经网络用于加速多尺度模拟

    利用并行多尺度模型比单尺度模拟可以更准确地模拟先进材料的力学响应，但是计算成本是该方法实际应用的障碍。本研究提出了一种备选的代理建模策略，允许保持问题的多尺度特性，并可与有限元求解器交替使用。通过使用图神经网络 (GNN) 预测完全场微观应变，并保留微观本构材料模型以获得应力，我们在弹塑性材料上实现了这一点。这种基于数据和物理的图形方法避免了预测完全场响应所产生的高维度，并允许非局部性产生。通过对各种网格进行训练，GNN 学习了对未见过的网格的泛化，使单个模型可以用于一系列的微结构。GNN 中嵌入的微观本构模型隐式地跟踪历史依赖变量，并提高了准确性。我们证明了对于几个具有挑战性的情景，代理模型能够预测复杂的宏观应力 - 应变路径。由于我们的方法的计算时间与微结构中的元素数量相比的呈良好的缩放规律，因此我们的方法可以显著加速 FE2 模拟。

    Feb, 2024

  • 基于机器学习进行优化断裂韧性的复合材料设计

    通过机器学习技术优化 2D 和 3D 复合结构，研究断裂韧性和裂纹扩展在双悬臂梁（DCB）试验中的应用，揭示微观结构排列与复合材料宏观性能之间的复杂关系，证明了机器学习作为强大工具在设计优化过程中的潜力，相较于传统有限元分析具有明显优势。研究包含四个不同案例，分别检查 2D 和 3D 复合模型中的裂纹扩展和断裂韧性。通过应用机器学习算法，研究展示了在复合材料设计中对庞大设计空间进行快速准确探索的能力。研究结果强调了机器学习在有限训练数据下预测机械行为的效率，为复合材料设计和优化的广泛应用铺平了道路。该研究对提高复合材料设计过程中机器学习的效率做出了贡献。

    Jun, 2024

  • FRC-TOuNN: 使用神经网络进行连续纤维增强复合材料的拓扑优化

    本文提出了一个拓扑优化框架，使用神经网络在提高分辨率的同时优化功能梯度连续纤维增强复合材料的矩阵拓扑和纤维分布，最终通过有限元模拟和加法制造的方法实现了优化连续纤维增强复合材料的制备。

    May, 2022

  • 一种基于机器学习的水含量环氧纳米复合材料粘弹性 - 粘塑性模型

    本研究提出了一种基于深度学习 (DL) 的本构模型，用于研究含水量的纳米颗粒 / 环氧纳米复合材料的循环粘弹 - 粘塑 - 损伤行为。通过采用抽样技术和扰动方法的组合框架训练长短期记忆网络，使其可以准确捕捉速率依赖的应力应变关系，并且一致的切线形变模量，从而实现 DL 模型的高效计算。此外，将 DL 模型实现到有限元分析中，用于研究加载速率和含水量对纳米颗粒 / 环氧样品力 - 位移响应的影响，数字例子表明，DL 模型的计算效率取决于加载条件，并且比传统的本构模型高得多。此外，将数值结果和实验数据进行比较，可以证明在不同的纳米颗粒和含水量下，数值结果与实验数据具有良好的一致性。

    May, 2023

  • 循环神经网络和迁移学习在编织复合材料中的弹塑性研究

    本研究介绍了循环神经网络（RNN）模型作为计算密集型中尺度模拟编织复合材料的替代方法。通过利用迁移学习的力量，解决了 RNN 模型中初始化挑战和稀疏数据问题。一个平均场模型产生了代表弹塑性行为的全面数据集。仿真中，使用任意六维应变历史来预测随机行走作为源任务和循环加载条件作为目标任务下的应力。整合子尺度特性增强了 RNN 的多功能性。为了实现准确预测，该模型使用网格搜索方法来调整网络结构和超参数配置。本研究结果表明，迁移学习可用于有效适应不同应变条件的 RNN，从而为编织复合材料中的路径相关响应建模提供了有用工具。

    Nov, 2023

  • 基于 POD 的机器学习可塑性模型

    本研究提出了一种基于机器学习的材料模型框架，分别适用于弹性和塑性模型，其中弹性模型采用前馈神经网络（FNN）直接建立，而塑性模型则采用 Proper Orthogonal Decomposition Feed forward Neural Network（PODFNN）建立，处理多维组合多轴应变应力数据。本文还研究了如何将机器学习材料模型应用于有限元分析中，通过数值算例展示了该方法的有效性和普适性。

    Jan, 2020

  • 功能梯度多孔梁的 AI 增强有限元多尺度建模与结构不确定性分析

    本文旨在通过多尺度建模和深度学习相结合的方法，建立中等孔隙度密闭铝泡沫的细胞形态与泡沫有效杨氏模量之间的直接联系，并通过模糊等价模型来评估模型预测模量的不确定性，进而简化 FG 多层泡沫结构的评估。

    Nov, 2022

  • 使用多层合成有限元模拟预测碳纳米管（CNT）图像的机械性能

    本文提出了一种基于人工智能的材料发现的深度学习模型管道，用于预测垂直定向碳纳米管林图像的机械性能，并结合使用多层合成的图像和基于物理的模型来估算这些图像的机械属性，从而实现对碳纳米管制备过程的了解与控制。

    Jul, 2023