Nov, 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

PDF
TL;DR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。
woven compositesrecurrent neural networktransfer learningcyclic shear strain loadselasto-plastic behavior
发现论文，激发创造
  • 有限应变框架中的率相关和路径相关异质材料的物理循环神经网络

    本研究探究了基于混合物理的数据驱动代理模型，利用嵌入神经网络中的组分模型中所包含的物理学知识来进行异质材料的微观分析。通过引入适用于有限应变框架下速率依赖性材料的体态循环神经网络 (PRNN) 架构，将显微模型的均质变形梯度编码为一组作为嵌入组分模型输入的变形梯度，在可预测均质应力的解码器中将这些组分模型计算的应力进行组合，以使得历史依赖性构成模型的内部变量自然地为网络提供以物理为基础的记忆。通过考虑具有横向各向同性弹性纤维和弹 - 粘塑性基质材料的单向复合显微模型，测试了替代此类显微模型的代理模型的外推性能，包括不同应变速率、循环加载和松弛过程。与原始显微模型运行时间相比，获得了三个数量级的加速。

    Apr, 2024

  • 基于混合数据驱动和物理信息的正则化学习循环塑性与神经网络

    提出了一种可扩展、高效且可解释的机器学习方法来表示循环塑性并替代基于径向返回映射算法的传统材料模型，通过实现物理信息正规化和背应力信息，以及最大程度上对神经网络的卸载，实现了在有限的训练数据量下的高精度和稳定性。该模型结构相对于文献中现有的解决方案更简单、更高效，并能表示完整的三维材料模型。通过采用 Armstrong-Frederick 运动硬化模型获得的替代数据进行了验证，均方误差被作为损失函数，该函数规定了几个限制条件：内部变量的去杂化特性，与流动规则的一致性，弹性和塑性步骤的区分以及流动规则的关联性，然而，后者对准确性的影响较小，这意味着该模型适用于广泛的内部变量演化规律。详细展示了模拟多个载荷情况的数值测试，并进行了准确性和稳定性的验证。

    Mar, 2024

  • 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

  • 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

  • 一种用于复合微结构均质化的神经网络变换器模型

    本研究介绍了一种计算机有效的均质化代理模型，采用变压器神经网络体系结构捕捉各种微观结构和组分的知识，预测均质化应力应变响应，以及测试了两种微观结构编码方法的性能。

    Apr, 2023

  • 神经网络与摩擦：滑动、保持、学习

    通过训练具有门控循环单元（GRU）结构的递归神经网络（RNNs），本研究证明它们具备学习合成数据中速率状态摩擦定律复杂动力学的能力。我们的方法的一个新颖之处在于定义了损失函数，明确考虑了初始条件、直接影响和训练过程中状态变量的演化。研究发现，具有 GRU 结构的 RNN 有效地学习预测由于速度跃变而引起的摩擦系数变化，从而展示了机器学习模型在理解和模拟摩擦过程物理学方面的潜力。

    Feb, 2024

  • 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

  • 多分辨率物理信息循环神经网络：配方及应用于肌肉骨骼系统

    提出了一种多分辨率物理信息循环神经网络 (MR PI-RNN)，用于同时预测肌肉骨骼 (MSK) 运动和识别 MSK 系统参数，该方法利用快速小波变换将混合频率的表面肌电图 (sEMG) 和关节运动信号分解为嵌套的多分辨率信号，并且采用分层训练的方法设计了一个 GRU 预测模型，并通过逐步训练的方式获得全尺寸训练结果，在保持动态平衡的同时，提高了肘部屈伸运动的运动预测精度。

    May, 2023

  • 透過週期性神經網路的增強學習，實現行動層次和組合的自我組織

    该研究提出一种新型的多时间尺度随机循环神经网络用于强化学习，可以自主学习抽象的子目标并自我开发行为层次结构，在挑战性的连续控制任务中确保了比起从头开始训练更快的再学习。同时，研究发现，当神经活动遵循随机动态时，可以实现更好的表现。

    Jan, 2019