用于陶瓷气凝胶微观结构-性能不确定性传播的随机深度学习代理模型
计算工程、金融与科学
2025-06-10 v3
摘要
本研究提出了一个集成计算框架，该框架在给定合成参数的情况下，通过将基于物理的模拟与深度学习代理模型相结合，预测陶瓷气凝胶多孔材料的微观结构形态和力学响应。采用格子玻尔兹曼模拟来模拟材料合成过程中的微观结构形成，同时使用有限元模型计算相应的力学性能。为了克服表征微观结构随机性对力学性能影响所需的重复物理模拟的过高计算需求，使用卷积神经网络（CNN）开发了用于微观结构生成和微观结构-性能映射的代理模型。CNN训练被表述为贝叶斯推断问题，以便在物理模拟提供的有限训练数据下实现不确定性量化，并为代理模型预测提供置信度估计。数值结果表明，微观结构代理模型能够有效地生成与训练数据形态一致的大范围微观结构图像。贝叶斯CNN代理准确预测了分布内微观结构的应变能，并进一步研究了其对插值形态的泛化能力。最后，代理模型被用于高效的不确定性传播，量化了微观结构变异性对宏观力学性能的影响。
引用
@article{arxiv.2501.13255,
title = {Stochastic Deep Learning Surrogate Models for Uncertainty Propagation in Microstructure-Properties of Ceramic Aerogels},
author = {Md Azharul Islam and Dwyer Deighan and Shayan Bhattacharjee and Daniel Tantalo and Pratyush Kumar Singh and David Salac and Danial Faghihi},
journal= {arXiv preprint arXiv:2501.13255},
year = {2025}
}