基于人工智能增强有限元多尺度建模与结构不确定性分析的功能梯度多孔梁
机器学习
2022-11-04 v1 人工智能
摘要
金属泡沫的局部几何随机性给多孔结构性能预测带来复杂性。尽管相对密度通常被视为关键因素，内部孔胞尺寸与形状的随机性对多孔结构行为有明显影响，但相应测量颇具挑战。为解决此问题，我们旨在结合多尺度建模与深度学习，开发一种高效评估泡沫性能的策路。多尺度建模基于采用具有随机孔胞形态的代表性体积单元（RVEs）的有限元（FE）仿真，以模拟闭孔铝泡沫的典型特征。我们构建了深度学习数据库，用于训练所设计的卷积神经网络（CNNs），以建立介观孔隙特征与泡沫有效杨氏模量之间的直接关联。CNN 模型的误差范围导致不确定的力学表现，进而在由两层薄高密度层与一层厚低密度层组成的功能梯度（FG）多孔三层梁上进行了结构不确定性分析，其中不精确的 CNN 预测模量以双参数形式的三角模糊数表示。借助 Timoshenko 梁理论与 Ritz 法计算了跨中集中荷载下的不确定梁弯曲挠度。我们的结果表明，训练 CNN 模型利用图像估算 RVE 模量取得成功，平均误差为 5.92%。所提方法可显著简化 FG 多孔结构评估，且无需建立局部泡沫力学模型即可关联至介观孔胞形态。
引用
@article{arxiv.2211.01970,
title = {AI enhanced finite element multiscale modelling and structural uncertainty analysis of a functionally graded porous beam},
author = {Da Chen and Nima Emami and Shahed Rezaei and Philipp L. Rosendahl and Bai-Xiang Xu and Jens Schneider and Kang Gao and Jie Yang},
journal= {arXiv preprint arXiv:2211.01970},
year = {2022}
}
备注
Book chapter in MACHINE LEARNING AIDED ANALYSIS, DESIGN, AND ADDITIVE MANUFACTURING OF FUNCTIONALLY GRADED POROUS COMPOSITE STRUCTURES, 20 pages, 10 figures