稀缺数据增强——复合材料深度学习建模的新方法
材料科学
2023-11-27 v1
摘要
非线性路径相关材料的高保真全尺度细观力学建模需要大量的计算工作。该领域近期的趋势是将数据驱动的人工神经网络(ANN)作为代理模型。然而,ANN天生需要大量数据,这成为开发高保真数据驱动模型的瓶颈。本研究提出了一种新颖的数据增强方法,可在无需额外计算模拟的情况下扩展原始数据集。一个循环神经网络(RNN)在弹塑性短纤维增强复合材料的高保真细观力学模拟数据上进行了训练与验证。所得结果表明,使用所提出的数据增强方法在扩展数据集上训练的网络预测有显著改善。所提出的稀缺数据增强方法不仅可用于其他类型的复合材料,也可用于其他材料以及不同长度尺度,从而为材料科学与计算力学中创新的数据驱动模型开辟途径。
引用
@article{arxiv.2311.14557,
title = {Augmentation of scarce data -- a new approach for deep-learning modeling of composites},
author = {Hon Lam Cheung and Petter Uvdal and Mohsen Mirkhalaf},
journal= {arXiv preprint arXiv:2311.14557},
year = {2023}
}