利用卷积编解码器学习预测微结构材料中的峰值应力

本工作提出一种机器学习方法来预测异质多晶材料中的峰值应力簇。先前在力学背景下使用机器学习的工作主要集中于预测有效响应和应力场整体结构。然而，它们预测峰值应力（其对失效至关重要）的能力尚未被探索，因为峰值应力簇相对于整个域占据很小的空间体积，因此需要计算代价高昂的训练。本工作开发了一种基于深度学习的卷积编解码器方法，专注于预测峰值应力簇，具体针对异质线性弹性框架中簇的大小及其他特征。该方法基于卷积滤波器，其利用空间加权平均运算对微结构与应力场之间的局部空间关系建模。该模型首先针对合成生成的微结构在施加宏观应变下的应力线性弹性计算进行训练，作为基准真值。然后将训练好的模型应用于给定（合成生成的）微结构预测应力场，并在预测应力场内检测峰值应力簇。使用余弦相似度度量并通过将峰值应力簇的几何特征与基准真值计算进行比较来分析峰值应力预测的精度。观察到该模型能够学习并预测峰值应力簇的几何细节，尤其对于较高（归一化）峰值应力值比较低值表现更好。这些比较表明所提方法非常适合预测峰值应力簇的特征。