一种用于脆性损伤预测的近场动力学信息深度学习模型
材料科学
2023-10-03 v1 机器学习
摘要
本研究提出一种将近场动力学（PD）理论与 PINN 相结合的新方法，用于预测脆性材料中的准静态损伤与裂纹扩展。为实现高预测精度与收敛速率，将线性化 PD 控制方程施加于 PINN 基于残差的损失函数中。所提出的 PD-INN 能够学习并捕捉与不同几何参数（如预裂纹位置与长度）相关的复杂位移模式。我们提出了循环退火调度与变形梯度感知优化技术等若干增强手段，以确保模型不会陷入其平凡解。通过监测训练过程中损失函数的行为来评估模型性能。PD-INN 的预测也通过若干基准案例得到验证，对照结果来自 PD 直接数值法与扩展有限元法等高保真技术。我们的结果表明非局部 PD-INN 能够准确高效地预测损伤与裂纹扩展。
引用
@article{arxiv.2310.01350,
title = {A peridynamic-informed deep learning model for brittle damage prediction},
author = {Roozbeh Eghbalpoor and Azadeh Sheidaei},
journal= {arXiv preprint arXiv:2310.01350},
year = {2023}
}