用于建模制造过程中复合材料-模具系统热化学固化过程的物理信息神经网络
机器学习
2021-06-16 v2
摘要
我们提出一种物理信息神经网络（PINN）来模拟在热压罐中固化的模具上复合材料的热化学演化。具体地，我们通过使用基于物理的损失函数优化深度神经网络（DNN）的参数，求解控制微分方程组——包括传导传热与树脂固化动力学。为考虑热传导与树脂固化截然不同的行为，我们设计了一个由两个不相连子网络构成的 PINN，并开发了一种顺序训练算法以缓解传统训练方法中存在的不稳定性。此外，我们在复合-模具界面的 DNN 中引入显式不连续性，并在损失函数中直接强制已知物理行为，以改善界面附近的解。我们用一种自动调整对应于 PDE、边界、界面和初始条件的损失项权重的技木训练 PINN。最后，我们展示可将问题参数作为模型输入——从而产生为一系列问题设定提供实时模拟的代理模型——并且可使用迁移学习显著减少与初始训练模型相似的问题设定的训练时间。所提 PINN 的性能在具有不同材料厚度和热边界条件的多个场景中得到了展示。
引用
@article{arxiv.2011.13511,
title = {Physics-Informed Neural Network for Modelling the Thermochemical Curing Process of Composite-Tool Systems During Manufacture},
author = {Sina Amini Niaki and Ehsan Haghighat and Trevor Campbell and Anoush Poursartip and Reza Vaziri},
journal= {arXiv preprint arXiv:2011.13511},
year = {2021}
}