基于细观力学的循环神经网络模型用于短纤维复合材料的路径相关循环变形
机器学习
2022-10-04 v1 材料科学
神经与进化计算
摘要
短纤维增强复合材料的宏观响应依赖于广泛的细观结构参数。因此，这些材料的细观力学建模具有挑战性，且在某些情况下计算昂贵。当需要预测路径相关塑性行为时这一点尤为重要。解决此挑战的一种方案是用机器学习技术（如人工神经网络）增强细观力学解。本工作中，训练了一个循环深度神经网络模型，以在给定细观结构参数和应变路径的条件下预测短纤维增强复合材料的路径相关弹塑性应力响应。进行了细观力学平均场模拟以创建用于训练和验证模型的数据集。与独立的细观力学模拟相比，该模型以计算高效的方式给出了非常准确的预测。
引用
@article{arxiv.2210.00842,
title = {A micromechanics-based recurrent neural networks model for path-dependent cyclic deformation of short fiber composites},
author = {J. Friemann and B. Dashtbozorg and M. Fagerström and S. M. Mirkhalaf},
journal= {arXiv preprint arXiv:2210.00842},
year = {2022}
}