DyFraNet：利用二维到三维深度神经网络在时空上预测与反演动态断裂力学

材料失效的动力学是从医疗健康到结构材料再到交通运输等一系列科学与工程领域中最关键的现象之一。在本文中，我们提出了一种专门设计的深度神经网络 DyFraNet，它可通过识别断裂扩展的完整历史来预测动态断裂行为——从开裂起始，到裂纹穿过材料生长，建模为随时间演化且相互依赖的一系列帧。此外，该模型不仅能预测未来断裂过程，还能反演以阐明过去的断裂历史。在此情形下，一旦提供断裂事件的结果，模型将阐明导致该状态的过往事件，并预测失效过程的未来演化。通过将预测结果与原子级模拟和理论比较，我们表明 DyFraNet 能准确预测裂纹随时间的发展（包括裂纹速度以及裂纹何时变得不稳定等措施），从而捕捉动态断裂力学。我们使用 GradCAM 来解释 DyFraNet 如何感知几何条件与断裂动力学之间的关系，发现 DyFraNet 特别关注裂纹尖端周围区域，这些区域在断裂扩展早期阶段具有关键影响。在后期阶段，模型更多关注材料中已有或新形成的损伤分布。所提方法为加速探索抗断裂失效材料设计中的动力学提供了显著潜力，并可有益地适用于各类动力学工程问题。