用于多尺度拓扑学习与异构材料加速非线性建模的深度材料网络
计算工程、金融与科学
2019-01-04 v4 计算物理
摘要
本文基于代表性体积单元(RVE)的机理均质化理论与先进机器学习技术,开发了一种新的数据驱动多尺度材料建模方法,我们称之为深度材料网络。我们提议使用一组带有解析均质化解的互联机理构建块,以避免通用神经网络中本质物理的丢失,该概念在二维 RVE 问题与深度达 7 的网络中得到展示。基于离线直接数值模拟得到的线弹性 RVE 数据,该材料网络可利用随机梯度下降与反向传播算法有效训练,并借助模型压缩方法增强。重要的是,训练后的网络对任意局部材料定律均有效,无需额外标定或细观力学假设。其对未知材料与载荷空间在广泛问题上的外推通过数值实验验证,包括具有高相性质对比的线弹性、非线性历史相关塑性以及大变形下的有限应变超弹性。通过发现具有更少自由度的 RVE 恰当拓扑表示,这一智能材料模型有望为大规模异构结构的高保真高效并发模拟开辟新可能。它还提供了跨材料长度尺度的结构-性能关系的机理理解,并支持用于材料设计与制造的参数化微观结构数据库的开发。
引用
@article{arxiv.1807.09829,
title = {A deep material network for multiscale topology learning and accelerated nonlinear modeling of heterogeneous materials},
author = {Zeliang Liu and C. T. Wu and M. Koishi},
journal= {arXiv preprint arXiv:1807.09829},
year = {2019}
}
备注
33 pages, 19 figures