用于机织复合材料弹塑性的循环神经网络与迁移学习
材料科学
2024-07-08 v2 机器学习
摘要
作为机织复合材料计算密集型细观模拟的替代模型，本文提出循环神经网络（RNN）模型。借助迁移学习的力量，RNN 模型中循环剪切应变载荷固有的初始化挑战和稀疏数据问题得到解决。一个平均场模型生成了代表弹塑性行为的综合数据集。在模拟中，使用任意六维应变历史来预测随机行走（作为源任务）和循环加载条件（作为目标任务）下的应力。纳入子尺度属性增强了 RNN 的通用性。为实现准确预测，模型使用网格搜索方法调整网络架构和超参数配置。本研究结果表明，迁移学习可有效使 RNN 适应不同应变条件，这确立了其作为建模机织复合材料路径相关响应的有用工具的潜力。
引用
@article{arxiv.2311.13434,
title = {Recurrent neural networks and transfer learning for elasto-plasticity in woven composites},
author = {Ehsan Ghane and Martin Fagerström and Mohsen Mirkhalaf},
journal= {arXiv preprint arXiv:2311.13434},
year = {2024}
}
备注
There are 25 pages and 13 EPS images. The paper includes links to supporting materials