预测两相随机材料应力及基于嵌入物理信息的应力图像超分辨率方法
材料科学
2026-03-17 v1 人工智能
机器学习
摘要
应力分析是材料设计的重要组成部分。对于具有复杂微结构的材料，如两相随机材料（TRMs），材料失效往往伴随应力集中。两相材料的相界面是应力集中的关键因素。因此，相边界处应力预测的误差至关重要。在实际工程中，获得的材料微结构图像像素有限，这限制了基于深度学习方法生成的应力图像分辨率，使得难以观察应力集中区域。现有的图像应力超分辨率（ISR）技术全部基于数据驱动的监督学习。然而，应力图像具有自然的物理约束，为新的ISR技术提供了思路。本研究构建了针对TRMs的应力预测框架。首先，该框架使用提出的多组成分U-net（MC U-net）预测低分辨率材料微结构中的应力。通过考虑微结构的相界面信息，MC U-net有效减少了相边界处预测误差过大的问题。其次，提出了基于混合物理信息神经网络（MPINN）的应力ISR方法（SRPINN）。通过引入物理信息的约束，该新方法无需训练配对的应力图像，可将应力图像分辨率提升至任意倍数。这使得对相边界处应力集中区域的多尺度分析成为可能。最后，我们通过迁移学习对不同相体积分数和加载状态下的TRMs进行应力分析。结果表明，所提出的应力预测框架具有良好的精度和泛化能力。
引用
@article{arxiv.2504.18854,
title = {Predicting Stress in Two-phase Random Materials and Super-Resolution Method for Stress Images by Embedding Physical Information},
author = {Tengfei Xing and Xiaodan Ren and Jie Li},
journal= {arXiv preprint arXiv:2504.18854},
year = {2026}
}