基于差异的深度学习框架用于异质介质中的应力预测
应用物理
2021-04-22 v3 材料科学
机器学习
摘要
使用有限元分析（FEA）对复合材料等异质介质进行应力分析，在设计和分析中已变得常见。然而，在优化和多尺度等情形下，使用 FEA 确定异质介质中的应力分布可能计算代价高昂。为此，我们利用深度学习，基于工程与统计知识开发了一组新颖的基于差异的神经网络（DiNN）框架，以首次确定异质介质中的应力分布，特别关注呈现高应力集中的不连续域。我们方法的创新之处在于，不同于以往通常直接将若干 FEA 模型几何与应力作为神经网络训练输入，我们着重突出不同输入样本间应力分布的差异，以提升异质介质中预测的准确性。我们通过考虑复合材料分析中常用的包括体积分数与空间随机性在内的不同类型几何模型来评估 DiNN 框架的性能。结果表明，与现有结构相比，DiNN 结构显著增强了应力预测的精度，尤其对于存在局部高应力集中的随机体积分数复合材料模型。
引用
@article{arxiv.2007.04898,
title = {Difference-Based Deep Learning Framework for Stress Predictions in Heterogeneous Media},
author = {Haotian Feng and Pavana Prabhakar},
journal= {arXiv preprint arXiv:2007.04898},
year = {2021}
}