多晶体塑性材料的破碎失效的数值与数据驱动建模
材料科学
2025-10-28 v3
摘要
开发具有量身定制机械性能的材料需要遍历大量的 proposed 设计方案。在考虑动态断裂时，通常无法在每个方案上进行实验。虽然高保真度、基于物理的模拟可能有助于减少实验工作量，但它们仍然计算成本很高。作为一种更快的替代方案，关键的动态属性可以直接从微观结构图像中使用深度学习代理模型进行预测。在本工作中，考虑了在应变率为O(10^6 s^-1)下的板冲击加载下多晶体塑性材料的破碎。用于生成代理模型数据的物理基准数值模型耦合晶体塑性和粘结区模型。训练了三个体系结构——3D U-Net、3D 傅里叶神经算子（FNO-3D）和 U-FNO——用于粒子速度场数据。评估了模型的泛化能力，使用具有不同颗粒尺寸和比例的微观结构。U-FNO 和 3D U-Net 在所有数据集上均显著优于 FNO-3D。此外，U-FNO 和 3D U-Net 在本研究中考虑的每个指标上都表现出相当的准确率。然而，对 U-FNO 的训练需要相当于 3D U-Net 的约两倍的计算资源，这使其成为代理模型的理想选择。
引用
@article{arxiv.2507.03706,
title = {Numerical and data-driven modeling of spall failure in polycrystalline ductile materials},
author = {Indrashish Saha and Lori Graham-Brady},
journal= {arXiv preprint arXiv:2507.03706},
year = {2025}
}