FIP-GNN：用于晶粒级疲劳指示参数可扩展预测的图神经网络
材料科学
2024-10-18 v2
摘要
高周疲劳是结构合金在许多应用中的关键性能指标。实验疲劳测试的高成本、时间和劳动力要求，促使人们开发高效且准确的疲劳寿命计算机模型。我们提出了FIP-GNN——一种用于多晶的图神经网络，它能够（i）预测疲劳指示参数，作为对循环载荷的晶粒级非弹性响应，量化裂纹萌生的局部驱动力；（ii）将这些预测推广到晶粒数量远超训练所用的大型微观结构体积单元。这些进展可为统计严谨且计算高效的高周疲劳建模（该领域长期存在的挑战）做出重要贡献。
引用
@article{arxiv.2406.08682,
title = {FIP-GNN: Graph neural networks for scalable prediction of grain-level fatigue indicator parameters},
author = {Gyu-Jang Sim and Myoung-Gyu Lee and Marat I. Latypov},
journal= {arXiv preprint arXiv:2406.08682},
year = {2024}
}