基于物理信息的深度学习用于多尺度损伤分析的循环神经网络
摘要：基于层级材料的直接数值模拟，通过基于均质化的并发多尺度模型，在3D大规模工程应用中面临着重要挑战，因为在较低尺度上计算高度非线性和路径相关的材料本构响应导致计算成本过高。在本研究中，我们提出了一种基于物理信息的数据驱动深度学习模型作为有效的代理，以模拟非可逆弹塑性硬化和软化变形下的异质微结构的有效响应。我们的贡献包含几个重大创新。首先，我们提出了一种新的训练方案，在受变形约束限制的采样空间中生成任意加载序列，通过机理化降阶模型大大降低了每个序列的微观结构响应均质化的模拟成本。其次，我们开发了一种新的序贯学习器，通过定制训练损失函数和数据流架构，将热力学一致的物理约束融入其中。我们还展示了训练代理器与经典多尺度有限元求解器框架的集成。我们的数值实验证明，我们的模型相较于纯数据驱动模拟器具有显著的精度提高，并且比降阶模型具有显著的效率提升。我们相信我们的数据驱动模型为经典本构定律提供了一种计算效率高且力学一致的替代方案，有益于需要对不可逆行为的材料均质化进行高通量模拟的潜在应用。
作者：Shiguang Deng
论文ID：2212.01880
分类：Computational Engineering, Finance, and Science
分类简称：cs.CE
提交时间：2022-12-29