使用分层物理循环神经网络对编织复合材料进行多尺度分析

编织复合材料的多尺度均匀化需要详细的细观力学评估，导致高昂的计算成本。基于神经网络的数据驱动代理模型解决了这一挑战，但通常面临大数据需求、可解释性有限和外推能力差的问题。本研究引入了一种分层物理循环神经网络（HPRNN），采用两层代理建模。首先，物理循环神经网络（PRNN）利用细观力学数据训练，以捕获经纱和纬纱的非线性弹塑性行为。在第二次尺度转换中，物理编码的中观到宏观模型将这些纱线代理与基体本构模型集成，将物理属性直接嵌入潜在空间。在两次尺度转换中采用HPRNN可以避免纯数据驱动循环神经网络和Transformer网络预测中常出现的非物理行为。这使得在复杂循环加载条件下获得更好的泛化能力。该框架为编织复合材料的多尺度建模提供了计算高效且可解释的解决方案。