基于卷积神经网络的复合材料力学性能预测与优化
机器学习
2020-02-03 v1 计算物理
机器学习
摘要
本文开发了一种卷积神经网络模型，用于定量预测二维棋盘复合材料的力学性能。该棋盘复合材料具有两相，一相柔软且延展，另一相刚硬且脆。训练过程中使用的真实数据是在平面应力假设下通过有限元分析获得的。利用蒙特卡洛模拟和中心极限定理确定了所需数据集的规模。训练完成后，使用训练期间未见过的数据对所开发的模型进行验证。所开发的神经网络模型以高精度捕捉棋盘复合材料的刚度、强度和韧性。此外，我们将所开发的模型与遗传算法（GA）优化器集成，以识别最优微结构设计。此处采用的遗传算法优化器具有选择、交叉、变异和精英保留等多种算子。该优化器收敛到性能显著增强的构型。对于模量情形，从随机初始化代开始，GA优化器收敛到不含软元素的全局最大值。此外，当用于最大化强度和韧性时，GA优化器倾向于在裂纹尖端邻近区域保留软元素。
引用
@article{arxiv.1906.00094,
title = {Prediction and optimization of mechanical properties of composites using convolutional neural networks},
author = {Diab W. Abueidda and Mohammad Almasri and Rami Ammourah and Umberto Ravaioli and Iwona M. Jasiuk and Nahil A. Sobh},
journal= {arXiv preprint arXiv:1906.00094},
year = {2020}
}