基于数据驱动的热力学一致神经网络模型化界面张力分离关系
摘要：多层结构的界面失效是与设备可靠性密切相关的最重要因素之一。对于相干断面塑料建模而言，张力-分离关系代表了界面间的粘附相互作用。然而，现有的理论模型尚未能够捕捉使用直接方法提取的张力-分离关系，特别是在混合模式条件下。考虑到问题的复杂性，基于神经网络方法推导的模型具有吸引力。尽管它们可以被训练来适应特定一组混合模式断裂实验中所采取加载路径的数据，但它们可能不能遵守未被训练数据覆盖的路径的物理定律。本文提出了一种热力学一致的神经网络（TCNN）方法，用于面对稀疏训练数据集时对界面的本构行为进行建模。相应地，这里分别检验和实现了三个条件：（i）热力学一致性，（ii）最大能量耗散路径控制，（iii）J积分守恒。这些条件被视为约束，并作为损失函数进行实施。通过将建模结果与一系列物理约束进行比较，证明了这种方法的可行性。此外，采用贝叶斯优化算法来优化与每个约束相关联的权重因子，以克服多个约束同时存在时可能出现的收敛问题。所述理念的数值实现产生了行为良好的混合模式张力-分离曲面，同时保持了输入的实验数据的准确性。提出的方法开创了界面力学的新型自主、点对点本构模型概念。
作者：Congjie Wei, Jiaxin Zhang, Kenneth M. Liechti and Chenglin Wu
论文ID：2011.09946
分类：Computational Engineering, Finance, and Science
分类简称：cs.CE
提交时间：2023-01-02