利用卷积神经网络从纤维增强聚合物微观结构图像预测力学性能
材料科学
2024-10-03 v1 机器学习
摘要
评估纤维增强复合材料的力学响应可能极其耗时且昂贵。机器学习(ML)技术提供了一种通过基于已有输入输出对训练的模型进行快速预测的手段，并已在复合材料研究中展现出成功。本文探讨了一种由StressNet修改而来的全卷积神经网络，该网络原用于线弹性材料，此处扩展至非线性有限元(FE)仿真，以预测纤维增强聚合物试样分割层析图像的二维切片中的应力场。该网络在由精确微观结构的有限元仿真所生成的数据上进行了训练与评估。测试结果表明，训练后的网络仅从分割后的微观结构图像便能准确捕捉应力分布的特征，尤其在纤维上。在普通笔记本电脑上，给定输入微观结构，训练模型可在一次前向传播的数秒内完成预测，而在高性能计算集群上运行完整有限元仿真需92.5小时。这些结果显示了利用ML技术对纤维增强复合材料进行快速结构分析的潜力，并提示一个推论：该训练模型可用于识别纤维增强聚合物中潜在损伤部位的位置。
引用
@article{arxiv.2010.03675,
title = {Predicting Mechanical Properties from Microstructure Images in Fiber-reinforced Polymers using Convolutional Neural Networks},
author = {Yixuan Sun and Imad Hanhan and Michael D. Sangid and Guang Lin},
journal= {arXiv preprint arXiv:2010.03675},
year = {2024}
}