用于模拟脆性材料中裂纹合并与扩展的图神经网络
材料科学
2022-05-12 v5
摘要
基于物理模型的多微裂纹相互作用高保真断裂力学模拟，随微裂纹数量增加很快变得计算昂贵。本工作开发了一个基于图神经网络（GNN）的框架，用于模拟脆性材料中因多微裂纹相互作用而产生的断裂与应力演化。该 GNN 框架在由基于 XFEM 的断裂模拟器生成的数据集上训练。我们的框架通过设计一系列基于 GNN 的预测，在测试集上（相较于基于 XFEM 的断裂模拟器）实现了高预测精度。第一预测阶段确定 I 型与 II 型应力强度因子（可用于通过 LEFM 计算应力演化），第二预测阶段确定哪些微裂纹将扩展，最后阶段将所选微裂纹的裂尖位置实际推进至下一时刻。训练后的 GNN 框架能够模拟广泛初始微裂纹构型（从 5 到 19 条微裂纹）下的裂纹扩展、合并及相应应力分布，而无需任何额外修改。最后，该框架的模拟时间相较基于 XFEM 的模拟器实现了 6 至 25 倍的加速。这些特性使我们的 GNN 框架成为模拟具多个初始微裂纹的脆性材料中微裂纹扩展与应力演化的一种有吸引力的方法。
引用
@article{arxiv.2107.05142,
title = {Graph neural networks for simulating crack coalescence and propagation in brittle materials},
author = {Roberto Perera and Davide Guzzetti and Vinamra Agrawal},
journal= {arXiv preprint arXiv:2107.05142},
year = {2022}
}