面向形貌可变非均质材料物理行为预测的微力学知情参数化深度材料网络
计算工程、金融与科学
2023-12-15 v3
摘要
深度材料网络（DMN）近来作为一种面向非均质材料的数据驱动代理模型而出现。给定特定的微观结构形貌，此类基于物理的类神经网络架构可成功近似其有效线性与非线性行为。本工作中，针对由若干参数表征的形貌可变多尺度材料，提出了一种新颖的微力学知情参数化 DMN（MIpDMN）架构。采用单层前馈神经网络来刻画 DMN 拟合参数对微观结构参数的依赖关系。微力学约束被同时施加于该新神经网络的架构与输出之上。所提出的 MIpDMN 亦被重构于多物理场设定中，其中除力学性质外的其他物理性质亦可被预测。在三个参数化微观结构上的数值模拟中，MIpDMN 在形貌变化时展现出令人满意的泛化能力。此类参数化多尺度材料的有效行为因而可由 MIpDMN 以高精度与高效率进行预测与编码。
引用
@article{arxiv.2309.11814,
title = {Micromechanics-Informed Parametric Deep Material Network for Physics Behavior Prediction of Heterogeneous Materials with a Varying Morphology},
author = {Tianyi Li},
journal= {arXiv preprint arXiv:2309.11814},
year = {2023}
}