结合时序卷积网络的 I-FENN：加速非局部梯度损伤扩展的加载历史分析
计算工程、金融与科学
2024-04-04 v1
摘要
本文首次展示了作者先前提出的集成有限元神经网络（I-FENN）框架如何能够高效地模拟非局部梯度损伤扩展的整个加载历史。为实现这一目标，我们首先采用时序卷积网络（TCN）作为所选神经网络，以捕获粗网格域中非局部应变的历史依赖演化。网络预测的质量决定了 I-FENN 的计算性能，因此我们进行了一项旨在增强其预测能力的扩展研究。我们探索了数据驱动与物理信息 TCN 设置，以达到最优网络训练，并基于一套连贯的相关性能指标对网络进行评估。我们通过提出一种系统化的输入归一化和输出反归一化方法，解决了用跨越极大不同长度尺度的输入数据训练物理信息网络的关键问题。然后，我们将训练好的 TCN 集成到非线性迭代有限元求解器中，并应用 I-FENN 来模拟损伤扩展分析。I-FENN 始终应用于与 TCN 训练所用不同的网格理想化，展示了该框架在逐步细化的网格分辨率下使用的能力。我们展示了多个案例，说明 I-FENN 使用修正的或完全的 Newton-Raphson 方案完成模拟，并展示了其相较于经典的整体式和交错式有限元求解器的计算节省。我们强调，在整个模拟过程中，我们满足了每个增量步非常严格的收敛标准，为 I-FENN 的鲁棒性和准确性提供了明确证据。本文使用的所有代码和数据将在文章发表后公开。
引用
@article{arxiv.2402.05460,
title = {I-FENN with Temporal Convolutional Networks: expediting the load-history analysis of non-local gradient damage propagation},
author = {Panos Pantidis and Habiba Eldababy and Diab Abueidda and Mostafa E. Mobasher},
journal= {arXiv preprint arXiv:2402.05460},
year = {2024}
}