基于机器学习的含湿量环氧纳米复合材料粘弹性-粘塑性模型

本工作中，我们提出一种基于深度学习（DL）的本构模型，用于研究含湿量的纳米颗粒/环氧纳米复合材料的循环粘弹性-粘塑性-损伤行为。为此，采用采样技术与扰动方法相结合的框架训练长短期记忆网络。该训练框架连同由实验验证的粘弹性-粘塑性模型生成的训练数据，使 DL 模型能够准确捕捉率相关的应力-应变关系与一致切线模量。此外，将基于 DL 的本构模型植入有限元分析。通过有限元模拟研究载荷速率与湿含量对纳米颗粒/环氧试样力-位移响应的影响。数值算例表明，DL 模型的计算效率依赖于载荷条件，且显著高于传统本构模型。进一步，数值结果与实验数据的对比显示在不同纳米颗粒与湿含量下均具有良好一致性。