Mar, 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

PDF
TL;DR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。
physics-informed deep learningconstitutive modelviscoelastic-viscoplastic behaviornanocomposite materialshygrothermal conditions
发现论文，激发创造
  • 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

  • 利用基于物理信息的神经网络学习非线性本构材料模型的解决方案：COMM-PINN

    应用了物理启发式神经网络来解决非线性、路径依赖性材料行为的本构关系，该模型除了满足所有热力学约束条件外，还能够在不需要初始数据的情况下即时提供有关当前材料状态的信息，并提供了降低正切算子所需导数阶数的策略。

    Apr, 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

  • 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

  • 固体力学领域的解决方案和发现的深度学习框架

    本文介绍了物理信息神经网络在固体力学中应用的方法，展示了通过使用多网络模型，结合动量平衡和本构关系，可以更准确地呈现一些场量变量。同时，通过测试合成数据并和解析解和数值解进行比较，验证了模型的有效性和精度，并指出了等几何分析在准确性和收敛性方面的优于有限元法的特点。我们还探索了该框架在机器学习中的应用，并发现物理信息对于提高模型的鲁棒性有很大作用。

    Feb, 2020

  • 物理信息神经网络在复合材料 - 工具系统制造中热化学固化过程建模中的应用

    本研究提出一种基于物理知识约束的神经网络（PINN），用于模拟复合材料在固化炉中的热化学演变，并且该网络能有效地求解包括传热和树脂固化动力学等方程组。在 PINN 中，为了解决热传导和树脂固化行为的差异，设计了由两个不连通子网络组成。此外，还采用了一种对 PDE、边界、界面和初始条件自适应调整损失项权重的技术。最后，我们证明了 PINN 可用于实时模拟材料不同厚度和热边界条件下的多种场景，并且可以使用迁移学习来显著减少解决类似问题的训练时间。

    Nov, 2020

  • 基于物理学信息的无标签数据计算弹性动力学的深度学习

    本文提出了一种基于物理学信息神经网络（PINN）的方法来解决在没有标注数据的情况下建模弹性动力学问题的挑战，进一步解决了复杂的 I/BCs 在弱正则化 PINN 框架下无法很好满足的问题，在多个数值弹性例子中展示了该方法的可行性。

    Jun, 2020

  • 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

  • 利用物理信息神经网络识别复杂超弹性固体的本构参数

    基于物理信息神经网络（PINN）的新框架用于识别软材料的本构参数，尤其是在平面应力条件下表现出复杂的本构行为，我们的模型强调使用多模态时变实验数据集训练 PINN，确保算法的鲁棒性，即使在嘈杂的数据中，我们的框架仍能准确识别具有复杂几何形状的样品的不可压亚 - 博伊斯模型的本构参数，保持误差在 5% 以下。

    Aug, 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

    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