用于学习动态载荷下互穿相复合材料瞬态响应的深度神经算子
机器学习
2023-04-03 v1 材料科学
摘要
增材制造已被公认为制造业的工业技术革命，其允许直接从计算机辅助设计模型制造具有复杂三维（3D）结构的材料。互穿相复合材料（IPCs）的力学性质，尤其是对动态载荷的响应，高度依赖于其3D结构。通常，对于每一指定结构设计，执行有限元分析（FEA）或实验测试IPCs对给定动态载荷的力学响应需耗时数小时或数天。为加速针对各种结构设计的IPC基于物理的力学性质预测，我们采用深度神经算子（DNO）学习动态载荷下IPCs的瞬态响应，作为基于物理的FEA模型的代理。我们考虑由两种金属构成、杨氏模量比为2.7的3D IPC梁，其中使用随机块体组分材料以展示DNO模型的通用性与鲁棒性。为获取IPC性质的FEA结果，将高斯过程核生成的5000个随机时变应变载荷施加于3D IPC梁，并收集不同载荷下IPC梁内部的反作用力与应力场。随后，使用JAX中实现的序列到序列训练的增量学习方法训练DNO模型，相较广泛使用的vanilla深度算子网络模型实现100倍加速。离线训练后，DNO模型可作为基于物理的FEA的代理，以98%的精度在一秒内预测IPCs对各种应变载荷的反作用力与应力分布瞬态力学响应。此外，所学算子能够以合理良好精度对承受更长随机应变载荷的IPC梁提供扩展预测。
引用
@article{arxiv.2303.18055,
title = {Deep neural operator for learning transient response of interpenetrating phase composites subject to dynamic loading},
author = {Minglei Lu and Ali Mohammadi and Zhaoxu Meng and Xuhui Meng and Gang Li and Zhen Li},
journal= {arXiv preprint arXiv:2303.18055},
year = {2023}
}
备注
23 pages, 14 figures