用于粘塑性多晶材料应力场代理建模的人工神经网络
材料科学
2022-08-30 v1
摘要
本工作的目的是开发一种人工神经网络（ANN），用于粘塑性晶粒微观结构力学响应的代理建模。为此，训练了一个基于 U-Net 的卷积神经网络（CNN）以考虑材料行为的历史依赖性。训练数据采用准静态拉伸载荷下 von Mises 应力场的数值模拟结果形式。训练后的 CNN（tCNN）能够准确复现平均响应以及局部 von Mises 应力场。tCNN 计算未包含在训练数据集中的晶粒微观结构的 von Mises 应力场，比基于谱求解器对相应初边值问题进行数值求解的计算速度约快 500 倍。该 tCNN 还成功应用于训练数据集中未包含的其他类型微观结构形貌（例如，基体-夹杂型拓扑）和载荷水平。
引用
@article{arxiv.2208.13490,
title = {An artificial neural network for surrogate modeling of stress fields in viscoplastic polycrystalline materials},
author = {Mohammad S. Khorrami and Jaber R. Mianroodi and Nima H. Siboni and Pawan Goyal and Bob Svendsen and Peter Benner and Dierk Raabe},
journal= {arXiv preprint arXiv:2208.13490},
year = {2022}
}