基于机器学习的全应力状态下虚拟实验采样
材料科学
2024-04-23 v2
摘要
本文提出了一种基于机器学习的新方法，通过虚拟实验研究金属薄板的各向异性屈服面。该新采样方法基于称为主动学习的机器学习技术，已对其进行调整以针对全应力状态高效采样虚拟实验，从而识别各向异性屈服函数的参数。该方法被用于基于晶体塑性有限元方法（CPFEM）对 DX56D 深冲钢采样虚拟实验，并与文献中两种最先进的采样方法进行比较。三种采样方法得到的初始屈服面上的点均用于识别各向异性屈服函数 Hill48、Yld91、Yld2004-18p 和 Yld2004-27p 的参数。结果表明，该基于机器学习的新采样方法比两种最先进采样方法具有更高的采样效率。因此，所需的计算昂贵的晶体塑性模拟更少。通过比较 Hill48、Yld91、Yld2004-18p 和 Yld2004-27p 屈服面的不同变体，还发现基于全应力状态下采样的虚拟实验识别各向异性屈服函数参数可能导致面内各向异性的表征退化。对于 DX56D 深冲钢，该退化在 Yld2004-18p 屈服函数中被观察到。因此，在考虑全应力状态时，必须仔细审查面内各向异性的表征。在此背景下，Yld2004-27p 被确定为具有足够的灵活性，可同时以高精度表征 DX56D 关于面内和面外行为的塑性各向异性。
引用
@article{arxiv.2211.00090,
title = {Machine learning-based sampling of virtual experiments within the full stress state},
author = {Alexander Wessel and Lukas Morand and Alexander Butz and Dirk Helm and Wolfram Volk},
journal= {arXiv preprint arXiv:2211.00090},
year = {2024}
}
备注
as submitted, after three rounds of review