PH-Net：基于三维卷积神经网络的平行六面体微结构均匀化
材料科学
2022-06-23 v2 图形学
摘要
随着增材制造的快速发展，微结构引起了学术界和工业界的广泛兴趣。数值均匀化方法已被广泛研究用于分析微结构的力学行为；然而，它过于耗时，无法应用于在线计算或需要高频调用的应用场景，例如拓扑优化。数据驱动的均匀化方法作为一种更高效的选择应运而生，但通常将微结构限制为立方体形状，这对于具有更一般形状（如平行六面体）的周期性微结构是不可行的。本文介绍了一种精心设计的三维卷积神经网络，用于快速均匀化平行六面体形状的微结构，命名为 PH-Net。与现有的数据驱动方法相比，PH-Net 的优越之处在于它预测的是微结构在指定宏观应变下的局部位移，而非直接预测均匀化材料属性，这促使我们提出了一种基于最小势能的无标签损失函数。在数据集构建方面，我们引入了一种形状-材料变换和体素-材料张量，将微结构类型、基体材料和边界形状共同编码为 PH-Net 的输入，使其对 CNN 友好，并增强了 PH-Net 在微结构类型、基体材料和边界形状方面的泛化能力。PH-Net 预测均匀化属性的速度相比数值均匀化方法提高了数百倍，甚至支持在线计算。此外，它不需要带标签的数据集，因此在训练过程中比当前的深度学习方法快得多。得益于对局部位移的预测，PH-Net 既能提供均质材料属性，也能提供微观力学属性，例如应变和应力分布、屈服强度等。我们设计了一组物理实验，验证了 PH-Net 的预测精度。
引用
@article{arxiv.2201.09672,
title = {PH-Net: Parallelepiped Microstructure Homogenization via 3D Convolutional Neural Networks},
author = {Hao Peng and An Liu and Jingcheng Huang and Lingxin Cao and Jikai Liu and Lin Lu},
journal= {arXiv preprint arXiv:2201.09672},
year = {2022}
}