深度学习方法用于粘弹性纤维复合材料的动态力学分析
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
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
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。
Jan, 2023
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
通过融合物理属性和化学数据,我们提出了一个多模态深度学习框架,用于预测一种 10 维丙烯酸聚合物复合材料的物理特性。该框架可以处理 18 维的复杂性,成功预测了 114,210 种成分条件下的 913,680 个物性数据点。我们提出了一个分析高维信息空间以进行反向材料设计的框架,并展示了足够的数据可实现的材料类型和规模的灵活性和适应性。这项研究推动了未来对不同材料和更复杂模型的研究,并将我们更接近预测所有材料的所有属性的终极目标。
Mar, 2023
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
为了开发更快速解决固体力学中的物理方程的求解器,我们引入了一种参数化学习力学平衡解的方法,该方法在计算成本方面优于传统方法,同时可接受地保持准确性。此方法具体应用于微机械学,在微观结构中知道微观力学解,即给定异质微结构的变形和应力场,非常重要。我们的研究表明,基于物理的训练方法在未知微结构上相较于纯数据驱动方法具有更高的准确性。
Mar, 2024
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
通过深度神经网络算子(DeepONet)直接学习基于稀疏但高质量位于实验数据的超材料完整微结构与其力学响应之间的关系,进而反向设计具有特定非线性力学特性的结构,该方法为设计复杂微结构材料的特性提供了可行性,即使在数据稀缺的情况下。
Nov, 2023
提出了一种基于物理知识的深度学习超分辨率框架,可以从低分辨率的仿真结果中恢复高分辨率的变形场,并通过对物理系统的控制方程和边界条件的利用,在不使用高分辨率标记数据的情况下进行训练。
Dec, 2021