双连续纳米结构共聚物的动态断裂：基于大数据生成实验的深度学习分析
材料科学
2022-04-27 v2 软凝聚态物质
机器学习
摘要
在此，我们通过对动态大数据生成实验的深度学习分析，报道了在极高速率加载下双连续纳米结构共聚物聚脲超出动态断裂韧性的详细动态内聚性质（DCPs）的测量结果。我们首先描述了一种新型动态线像切变干涉仪（DL-ISI），其利用条纹相机记录样品后表面一条线上位移梯度随时间变化的干涉条纹。该系统使我们能够在平板撞击实验中检测裂纹的萌生与扩展过程。随后，我们提出了一种基于卷积神经网络（CNN）的深度学习框架，该框架由大量有限元模拟训练而成，可从 DL-ISI 条纹图像中反演确定精确的 DCPs。在测量中，对一组含中面裂纹的样品进行了平板撞击实验。首先采用条件生成对抗网络（cGAN），根据记录的部分 DL-ISI 条纹重建缺失的 DL-ISI 条纹。然后，将 CNN 与相关方法应用于完整重建的条纹，得到动态断裂韧性 12.1 kJ/m^2、内聚强度 302 MPa 和最大内聚分离 80.5 um，偏差分别在 0.4%、2.7% 和 2.2% 以内。首次通过 DL-ISI 结合预训练 CNN 与 cGAN 重建数据集的相关分析，成功获得了聚脲的 DCPs。研究发现动态内聚强度几乎比动态失效起始强度高三倍。高动态断裂韧性源于动态内聚强度高和动态内聚分离延展性好的共同作用。
引用
@article{arxiv.2112.01971,
title = {Dynamic fracture of a bicontinuously nanostructured copolymer: A deep-learning analysis of big-data-generating experiment},
author = {Hanxun Jin and Tong Jiao and Rodney J. Clifton and Kyung-Suk Kim},
journal= {arXiv preprint arXiv:2112.01971},
year = {2022}
}
备注
Submitted for Review in Journal of the Mechanics and Physics of Solids (JMPS)