含内聚层的深度材料网络：多阶段训练与界面失效分析
材料科学
2020-02-19 v2 计算工程、金融与科学
机器学习
计算物理
摘要
多尺度材料建模与设计中的一个基本问题是考虑界面的牵引-分离行为。通过用内聚层丰富深度材料网络 (DMN)，本文提出了一种新颖的数据驱动材料模型，能够对具有界面效应的非均质材料多尺度响应进行准确高效的预测。在新引入的内聚构建块中，拟合参数具有与内聚层长度尺度和取向相关的物理意义。研究表明，丰富后的材料网络可通过多阶段训练策略有效优化，训练数据仅由线性弹性直接数值模拟 (DNS) 生成。该方法对未知材料和载荷空间的外推能力通过单向纤维增强复合材料的脱粘分析得到展示，其中界面行为由不可逆软化混合模式内聚定律控制。其预测精度针对非线性路径相关 DNS 结果进行了验证，且计算时间的减少尤为显著。
引用
@article{arxiv.1908.04858,
title = {Deep material network with cohesive layers: Multi-stage training and interfacial failure analysis},
author = {Zeliang Liu},
journal= {arXiv preprint arXiv:1908.04858},
year = {2020}
}
备注
26 pages, 14 figures, 4 tables