多尺度热力学潜在表征学习：用于冲击多孔能量材料动力学的应用

跨尺度的物理耦合在微观结构材料对外部载荷的响应中发挥着重要作用。在多尺度框架中，通过闭合模型将未解决的亚网格尺度的中尺度动力学升华到异质材料的均匀化（宏尺度）表征中。现今，受众基于中尺度仿真数据训练的深度学习模型已成为吸收此类闭合规律的流行方法。然而，中尺度仿真计算负担沉重，使得从头训练基于深度学习的替代模型面临实际挑战。本文调查了一种受然语言处理中标记化思想启发的替代元学习方法。我们展示，一种可以学习微尺度物理表征来加速中尺度学习过程的办法，即对中尺度物理场演化进行标记化处理，以处理一个典型且复杂的反应动力学问题，即冲击性能量局部化于多孔能量材料。学习作为中尺度动力学构建块的微尺度动力学的概率潜在表征。中尺度潜在动力学模型通过在小数据集上训练来学习相邻构建块之间的相关性。我们将本模型的性能与仅使用完整中尺度数据集训练的物理感知循环卷积神经网络 (PARC) 进行比较。我们展示，本模型在有限中尺度数据的情况下能够超越 PARC。该方法利用低成本的微尺度仿真和在小中尺度数据集上的快速训练，加速了闭合模型的开发，可应用于多种多尺度建模问题。