用于短纤维/聚合物纳米复合材料的热力学一致的物理信息深度学习材料模型
机器学习
2024-03-28 v1 人工智能
计算工程、金融与科学
数值分析
数值分析
摘要
这项工作提出了一种基于物理信息深度学习 (PIDL) 的本构模型，用于研究在各种环境条件下短纤维增强纳米粒子填充环氧树脂的粘弹性-粘塑性行为。该深度学习模型被训练以强制执行热力学原理，从而产生热力学一致的本构模型。为了实现这一点，将长短期记忆网络与前馈神经网络相结合，以预测表征纳米复合材料内部耗散所需的内部变量。此外，使用另一个前馈神经网络来表示自由能函数，从而能够定义整个系统的热力学状态。PIDL 模型最初是通过从经典本构模型生成合成数据来针对三维情况开发的。然后通过直接从循环加载-卸载实验测试中提取数据来训练该模型。数值算例表明，PIDL 模型能够准确预测不同体积分数的纤维和纳米粒子在各种湿热条件下环氧基纳米复合材料的力学行为。
引用
@article{arxiv.2403.18310,
title = {A thermodynamically consistent physics-informed deep learning material model for short fiber/polymer nanocomposites},
author = {Betim Bahtiri and Behrouz Arash and Sven Scheffler and Maximilian Jux and Raimund Rolfes},
journal= {arXiv preprint arXiv:2403.18310},
year = {2024}
}
备注
arXiv admin note: text overlap with arXiv:2305.08102