历史依赖型架构超材料的迭代学习与多尺度建模
应用物理
2024-02-21 v1
摘要
基于神经网络的模型已成为材料多尺度建模的有力工具。一种有前景的方法是使用基于神经网络的模型，利用从重复求解昂贵的小尺度模型生成的数据进行训练，作为应用尺度模拟中小尺度模型的代理。此类方法已被证明具有与 FE2 等并发多尺度方法相当的潜在精度，但成本却与经典本构模型或参数传递等经验方法相当。一个关键问题是理解需要多少以及何种类型的数据才能获得准确的代理模型。本文针对建模为桁架的架构超材料的历史依赖弹塑性行为研究了这一问题。我们引入了一种迭代方法，利用丰富的任意轨迹类训练初始模型，然后利用大规模模拟中出现的轨迹迭代更新轨迹类，并使用迁移学习更新模型。我们表明，这种方法收敛于一个高精度且可迁移的代理模型。
引用
@article{arxiv.2402.12674,
title = {Iterated learning and multiscale modeling of history-dependent architectured metamaterials},
author = {Yupeng Zhang and Kaushik Bhattacharya},
journal= {arXiv preprint arXiv:2402.12674},
year = {2024}
}