PARC：用于同化含能材料介观尺度反应力学物理感知循环卷积神经网络
材料科学
2023-05-15 v3 机器学习
摘要
冲击起爆含能材料（EM）的热-力学响应受其微结构高度影响，这为在“按设计制备材料”框架中设计 EM 微结构提供了契机。然而，当前设计实践受限，因为需要大量模拟集合来构建复杂的 EM 结构-属性-性能关联。我们提出物理感知循环卷积（PARC）神经网络，一种能够从少量高分辨率直接数值模拟（DNS）中学习 EM 介观尺度热-力学的深度学习算法。验证结果表明，PARC 能以与 DNS 相当的准确性预测受冲击 EM 的热-力学响应，但计算时间显著更短。PARC 的物理感知增强了其建模能力与泛化性，尤其在未见预测情景下受到挑战时。我们还证明，可视化 PARC 中的人工神经元可揭示 EM 热-力学的重要方面，并为概念化 EM 提供额外视角。
引用
@article{arxiv.2204.07234,
title = {PARC: Physics-Aware Recurrent Convolutional Neural Networks to Assimilate Meso-scale Reactive Mechanics of Energetic Materials},
author = {Phong C. H. Nguyen and Yen-Thi Nguyen and Joseph B. Choi and Pradeep K. Seshadri and H. S. Udaykumar and Stephen Baek},
journal= {arXiv preprint arXiv:2204.07234},
year = {2023}
}