利用部分输入凸神经网络建立广义晶体织构与宏观屈服面之间的关系

在本研究中，我们提出了一种预测具有一般晶体织构的金属及金属合金宏观屈服面的方法。在先前的工作中，我们已确立了将部分输入凸神经网络（pICNN）用作晶体塑性模拟的宏观屈服函数。然而，该工作是在数据过充足且限于有限晶体织构的情况下进行的。在此，我们将这项研究扩展到更接近实际的材料状态（即复杂的晶体织构），并将数据可用性作为我们方法的主要驱动力。我们提出了能够处理广义材料状态的改进框架，并在平面应力条件下变形的多模态织构样本上展示了其有效性。我们进一步描述了一种自适应算法，用于根据屈服面的形状生成训练数据，以减少训练数据生成和pICNN训练的时间。最后，我们将讨论训练和测试数据集中的误差、局限性以及未来的可扩展性。