机器学习辅助的多尺度磁静力学
摘要：用先进的数值技术进行计算材料建模可以加快设计过程，降低开发新工程产品的成本。在多尺度建模领域，为了达到高精度水平，建模异质材料需要进行大量的计算工作。在本研究中，开发了一种机器学习方法，即卷积神经网络（CNN），作为一种解决方案，提供了高精度水平，同时具有较高的计算效率。CNN模型的输入由人工周期性和双相微结构的二/三维图像组成，这些图像以不重叠和重叠的单/多分散圆/球形盘系统的形式生成，通过随机顺序抑制过程生成。它们对应于统计体积元素（SVE）。在微观尺度上考虑线性磁静力学，输出是SVE的表观磁导率。使用基于有限元方法的两尺度渐近均匀化生成表观属性的训练和测试数据。通过在二维和三维情况下应用计算均匀化方法的代表性例子，揭示了模型的效率。在这方面，通过与计算均匀化方法相关的准确性和计算效率来评估CNN模型的性能。CNN模型的结果显示，在预测均匀渗透率方面具有高精度，并且计算时间显著减少。
作者：Fadi Aldakheel and Celal Soyarslan and Hari Subramani Palanisamy and Elsayed Saber Elsayed
论文ID：2301.12782
分类：Disordered Systems and Neural Networks
分类简称：cond-mat.dis-nn
提交时间：2023-01-31