利用单一长短期记忆网络增强对具有材料非均匀性与各向异性的路径相关塑性的预测
无序系统与神经网络
2022-04-06 v2 材料科学
机器学习
摘要
本研究展示了传统深度循环神经网络（RNN）在预测与材料非均匀性和各向异性相关的路径相关塑性方面的适用性。尽管 RNN 的架构对时间上的信息具有归纳偏置，但考虑从弹性到弹塑性状态的变化，将路径相关材料行为作为加载路径的函数进行学习仍然具有挑战性。我们的尝试是开发一个简单的基于机器学习的模型，能够在考虑材料非均匀性和各向异性的情况下复现弹塑性行为。通过操纵输入变量来增强对过去信息的归纳偏置，采用基础的长短期记忆单元（LSTM）在二维空间中对塑性进行建模。我们的结果表明，在给定材料非均匀性的条件下，基于单一 LSTM 的模型能够捕捉单调和任意加载路径下的 J2 塑性响应。随后，所提出的神经网络架构被用于建模与计算均匀化（FE2）相关的二维横向各向异性材料的弹塑性响应。研究还发现，单一 LSTM 模型能够准确有效地捕捉任意力学加载条件下非均匀和各向异性微观结构的路径相关响应。
引用
@article{arxiv.2204.01466,
title = {A single Long Short-Term Memory network for enhancing the prediction of path-dependent plasticity with material heterogeneity and anisotropy},
author = {Ehsan Motevali Haghighi and SeonHong Na},
journal= {arXiv preprint arXiv:2204.01466},
year = {2022}
}