深度学习预测具有复杂缺陷网络的增材制造金属中的应力场
材料科学
2021-05-25 v1
摘要
鉴于增材制造（AM）金属中缺陷的普遍存在，需要高效计算工具来快速筛查 AM 微结构以评估力学完整性。为此，采用深度学习方法预测含缺陷金属微结构图像中的弹性应力场。使用基于高分辨率快速傅里叶变换的有限元（FFT-FE）计算生成由 100,000 张随机微结构图像的应力响应组成的大型数据集，随后用于训练改进的 U-Net 风格卷积神经网络（CNN）模型。训练后的 U-Net 模型比替代 CNN 架构更准确地预测应力响应，超越低分辨率 FFT-FE 计算的精度，并可泛化至具有复杂缺陷几何的微结构。该模型应用于具有严重未熔合缺陷的真实 AM 微结构图像，并预测最大应力随孔隙率呈强线性增长。总之，所提出的 CNN 提供了一种高效且准确预测含缺陷 AM 微结构结构响应的方法。
引用
@article{arxiv.2105.10564,
title = {Deep learning prediction of stress fields in additively manufactured metals with intricate defect networks},
author = {Brendan P. Croom and Michael Berkson and Robert K. Mueller and Michael Presley and Steven Storck},
journal= {arXiv preprint arXiv:2105.10564},
year = {2021}
}