基于迁移学习与图神经网络的脆性裂纹问题通用机器学习框架
材料科学
2022-11-23 v1 机器学习
摘要
尽管近期取得成功，图神经网络（GNNs）等机器学习（ML）模型仍存在诸如需要大型训练数据集以及对未见情况性能不佳等缺陷。本工作中，我们使用迁移学习（TL）方法来规避使用大型数据集重新训练的需求。我们将 TL 应用于一个已有的 ML 框架，该框架经训练可预测 Mode-I 载荷下脆性材料中多条裂纹扩展与应力演化。新框架 ACCelerated Universal fRAcTure Emulator（ACCURATE）通过一系列 TL 更新步骤推广至多种裂纹问题，包括（i）任意裂纹长度，（ii）任意裂纹取向，（iii）方形域，（iv）水平域，以及（v）剪切载荷。我们表明，对每个 TL 更新步骤使用 20 次模拟的小训练数据集，ACCURATE 在这些问题的 Mode-I 与 Mode-II 应力强度因子及裂纹路径上均实现了高预测精度。我们展示了 ACCURATE 对未见情况（涉及新边界尺寸与任意裂纹长度及取向在拉伸与剪切载荷下组合）的高精度裂纹扩展与应力演化预测能力。我们还展示了相比基于 XFEM 的断裂模型，模拟时间加速高达 2 个数量级（200 倍）。ACCURATE 框架提供了一种通用的计算断裂力学模型，可在未来工作中轻松修改或扩展。
引用
@article{arxiv.2211.12459,
title = {A generalized machine learning framework for brittle crack problems using transfer learning and graph neural networks},
author = {Roberto Perera and Vinamra Agrawal},
journal= {arXiv preprint arXiv:2211.12459},
year = {2022}
}