面向非均匀含能材料多尺度冲击起爆模拟中能量局域化的物理感知深度学习模型
材料科学
2023-05-12 v2 机器学习
摘要
非均匀含能材料（EM）中冲击到爆轰转变（SDT）的预测性模拟对其能量释放与感度的设计及控制至关重要。由于 EM 在 SDT 过程中的热-力学复杂性，必须准确捕捉宏观尺度响应与子网格中尺度能量局域化。本文提出一种高效且准确的 EM 的 SDT 模拟多尺度框架。我们采用深度学习对冲击引发 EM 微结构的介观能量局域化建模，由此引入一种 SDT 模拟新方法。所提出的多尺度建模框架分为两个阶段。首先，使用物理感知循环卷积神经网络（PARC）对冲击引发的非均匀 EM 微结构的介观能量局域化建模。PARC 使用受压 HMX 材料微结构在不同输入冲击强度下热斑点燃与增长的_direct numerical simulations_（DNS）进行训练。训练后，PARC 为宏观尺度 SDT 模拟提供热斑点燃与增长率。我们表明 PARC 可在多尺度模拟框架中充当替代模型，同时大幅降低计算成本并改进子网格物理的表征。所提出的多尺度建模方法将为材料科学家设计高性能且更安全的含能材料提供新工具。
引用
@article{arxiv.2211.04561,
title = {A physics-aware deep learning model for energy localization in multiscale shock-to-detonation simulations of heterogeneous energetic materials},
author = {Phong C. H. Nguyen and Yen-Thi Nguyen and Pradeep K. Seshadri and Joseph B. Choi and H. S. Udaykumar and Stephen Baek},
journal= {arXiv preprint arXiv:2211.04561},
year = {2023}
}