一种物理感知的深度学习模型，用于模拟冲击反应材料中塌缩孔洞周围的剪切带形成
机器学习
2025-10-14 v1 材料科学
计算物理
摘要
对含能材料中冲击转爆轰现象进行建模，需要捕捉强冲击、微结构形态的快速变化以及化学反应前沿的非线性动力学等复杂物理过程。这些过程参与了热点处的能量局域化，从而引发化学能释放并导致爆轰。本研究关注晶体含能材料在弱至中等冲击加载下热点的形成，尽管该问题与含能材料的安全储存和处理密切相关，但与研究充分的强冲击条件相比，仍探索不足。为克服直接数值模拟带来的计算挑战，我们改进了物理感知循环卷积神经网络，该网络已被证明能够预测含能材料中的强冲击响应。我们改进了PARCv2的架构，以快速预测剪切局部化和塑性加热，这些在弱至中等冲击机制中扮演重要角色。我们将PARCv2与两种广泛使用的物理信息模型（即傅里叶神经算子和神经常微分方程）进行了基准测试；结果表明，PARCv2在捕捉剪切带形成的时空动力学方面具有优越性能。尽管所有模型都表现出某些失效模式，但我们的研究结果强调了在开发用于反应材料的稳健的AI加速模拟工具时，考虑领域特异性的重要性。
引用
@article{arxiv.2510.09670,
title = {A physics-aware deep learning model for shear band formation around collapsing pores in shocked reactive materials},
author = {Xinlun Cheng and Bingzhe Chen and Joseph Choi and Yen T. Nguyen and Pradeep Seshadri and Mayank Verma and H. S. Udaykumar and Stephen Baek},
journal= {arXiv preprint arXiv:2510.09670},
year = {2025}
}