用于含微观脱粘复合材料计算均匀化的物理递归神经网络

复合材料在工程应用中的日益普及加速了对精确预测其复杂行为的计算方法的需求。基于计算均匀化的多尺度建模是实现此目的的一种潜在强大方法，但其过高的计算成本阻碍了其广泛应用。解决这一计算瓶颈的一种流行方法是使用代理模型，这些模型已成功预测了广泛的本构行为。然而，涉及微观损伤和断裂的应用在很大程度上仍未得到探索。本工作旨在扩展一种最新的代理建模方法——物理递归神经网络，以包含纤维-基体界面脱粘的影响，同时捕捉路径依赖行为。物理递归神经网络的核心思想是将来自微观模型的精确材料模型实现到网络的某一层中。在本工作中，除了与纤维和/或基体相关的体点之外，具有内聚区模型的额外材料点也被集成到网络中。讨论了现有架构的局限性，并考虑了这些局限性以开发更好地表示应力均匀化过程的新型架构。在所提出的布局中，内聚点的历史变量作为额外的潜在特征，有助于确定体点的局部应变。从小的训练数据集开始评估不同的架构。为了最大化网络的预测准确性和外推能力，探索了体点和内聚点的各种配置，以及不同的训练数据集类型和大小。