基于离散粒子系统数据生成与算子学习的裂纹路径预测
机器学习
2025-09-12 v2 材料科学
人工智能
摘要
准确建模裂纹扩展对于预测工程材料与结构的失效至关重要，微小的裂纹可能迅速演变并引发灾难性破坏。裂纹与孔洞等不连续体的相互作用会显著影响裂纹的偏转与止裂。近期基于本构行为的多体相互作用离散粒子系统的发展，展示了在不依赖连续介质假设的情况下捕捉裂纹萌生与扩展的能力。在本研究中，我们使用来自本构粒子动力学 (CPD) 模拟的数据来训练算子学习模型，特别是深度算子网络 (DeepONets)，该网络学习的是函数空间之间的映射，而非有限维向量。我们探索了两种 DeepONet 变体：基础版与 Fusion DeepONet，用于预测具有不同几何形状试样中随时间演变的裂纹扩展。研究了三个代表性案例：(i) 无活动断裂的变缺口高度情况；以及 (ii) 和 (iii) 在不规则离散网格上发生动态断裂的缺口高度与孔半径组合情况。模型在分支网络中使用几何输入，在主干网络中使用时空坐标进行训练。结果表明，Fusion DeepONet 始终优于基础变体，在非断裂情况下预测更为准确。涉及位移与裂纹扩展的断裂驱动场景仍然更具挑战性。这些发现凸显了 Fusion DeepONet 在处理复杂、几何变化且随时间演变的裂纹扩展现象方面的泛化潜力。
引用
@article{arxiv.2506.01976,
title = {Crack Path Prediction with Operator Learning using Discrete Particle System data Generation},
author = {Elham Kiyani and Venkatesh Ananchaperumal and Ahmad Peyvan and Mahendaran Uchimali and Gang Li and George Em Karniadakis},
journal= {arXiv preprint arXiv:2506.01976},
year = {2025}
}
备注
22 pages, 14 figures