用于本构关系建模的鲁棒深度学习框架
材料科学
2023-04-04 v1
摘要
在复杂载荷与材料条件下对材料全范围变形行为进行建模，是本构关系（CRs）建模的一项重大挑战。我们提出了一种通用的编码器-解码器深度学习框架，能够鲁棒且通用地对高维应力-应变数据和复杂加载历史进行建模。该框架采用编码器将高维输入信息（如加载历史、加载条件和材料信息）投影到较低维的隐空间，并采用解码器将隐表征映射到目标应力。我们在两个复杂的应力-应变数据集上评估了多种编码器架构，包括门控循环单元（GRU）、带注意力的 GRU、时间卷积网络（TCN）和 Transformer 编码器，这些数据集旨在涵盖广泛的复杂加载历史与加载条件。所有架构均取得了优异的测试结果，RMSE 低于 1 MPa。此外，我们分析了不同架构在域外应用上进行预测的能力，并基于深度集成进行了不确定性估计。所提方法为 CRs 建模提供了一种替代经验/半经验模型的鲁棒方案，为更准确高效的材料设计与优化提供了潜力。
引用
@article{arxiv.2304.00616,
title = {Robust Deep Learning Framework for Constitutive-Relation Modeling},
author = {Qing-Jie Li and Mahmut Nedim Cinbiz and Yin Zhang and Qi He and Geoffrey Beausoleil and Ju Li},
journal= {arXiv preprint arXiv:2304.00616},
year = {2023}
}