基于深度学习的各向异性介质脆性裂纹相场建模
计算物理
2026-04-15 v2
摘要
本 work 提出了一种变分物理驱动的深度学习框架，用于各向异性介质中的脆性裂纹相场建模。以往的深度黎茨方法（DRM）仅关注二阶各向同性相场裂纹格式。相比之下，本 work 在变分深度学习环境中首次引入了通过广义裂密度泛函实现的高阶各向异性相场模型族。所得裂纹问题通过 DRM 方法最小化总能量来求解。试验空间采用高阶 B 样条基函数丰富，以准确稳定地表示高阶梯度，从而无需常规自动微分。该方法在各向同性、立方和正交各向异性裂纹面能密度进行评估。数值实例展示了各向异性情况中方向依赖的裂纹生长，凸显了该方法准确捕捉此类行为的能力。
引用
@article{arxiv.2603.20120,
title = {Deep learning-based phase-field modelling of brittle fracture in anisotropic media},
author = {N. Plungė and P. Brommer and R. S. Edwards and E. G. Kakouris},
journal= {arXiv preprint arXiv:2603.20120},
year = {2026}
}