预测介电纳米复合材料断裂的混合机电场相场与深度学习框架
计算物理
2026-02-03 v2
摘要
精确高效地预测介电材料中的裂纹扩展是结构健康监测和智能系统设计中的一项关键挑战。本文提出一个混合建模框架，将机电场相场断裂模型与基于深度学习的代理建模相结合，以预测介电纳米复合材料板中的断裂演化。底层有限元模拟采用变分相场公式，捕捉了由裂纹引起的机械变形与电场扰动之间的耦合。高保真模拟输出——即相场损伤变量和电势场——被用于训练具有 ResNet-U-Net 架构的卷积神经网络（CNN），以实现裂纹路径的像素级分割。本研究系统地比较了在多个 ResNet 骨干网络上，基于相场数据与基于电势场数据训练的 CNN 的性能。结果表明，电势场虽然间接编码了损伤信息，但因其更平滑的梯度分布和全局空间覆盖，提供了更优的分割精度、更快的收敛速度和更强的泛化能力。所提出的框架在保持高精度的同时显著降低了计算成本，并在适当适配后具有应用于基于传感器的输入数据的潜力。
引用
@article{arxiv.2508.07469,
title = {A hybrid electromechanical phase-field and deep learning framework for predicting fracture in dielectric nanocomposites},
author = {Aamir Dean and Jaykumar Mavani and Betim Bahtiri and Behrouz Arash and Raimund Rolfes},
journal= {arXiv preprint arXiv:2508.07469},
year = {2026}
}