使用深度学习方法预测纤维增强复合材料中的应力场
材料科学
2023-01-02 v1 机器学习
摘要
计算应力分析是材料系统设计中的重要步骤。有限元方法(FEM)是对复杂材料系统进行应力分析的标准方法。加速应力分析的一种方法是用数据驱动的基于机器学习的应力分析方法来替代 FEM。在本研究中,我们考虑纤维增强基体复合材料系统,并使用深度学习工具来寻找替代 FEM 应力场预测方法的途径。我们首先尝试对具有固定纤维数量但空间构型变化的复合材料系统预测应力场分布图。具体而言,我们试图在复合材料中纤维的空间排布与相应的 von Mises 应力场之间找到映射。这是通过使用卷积神经网络(CNN),特别是 U-Net 架构,以相同纤维数量的系统真实应力图作为训练数据来实现的。U-Net 是一种编码器-解码器网络,在本研究中将复合材料图像作为输入,并输出与输入图像尺寸相同的应力场图像。我们通过采用不同的训练样本初始化进行鲁棒性分析,以考察预测精度对少量训练样本的敏感性。当在相同体积分数下增加复合材料系统中的纤维数量时,需要更精细的有限元网格离散化来准确表示几何形状。这导致计算成本增加。因此,这里的次要目标是利用纤维数较少的相对廉价系统的真实应力图信息,预测具有更多纤维且空间构型变化的系统的应力场。
引用
@article{arxiv.2111.05271,
title = {Stress field prediction in fiber-reinforced composite materials using a deep learning approach},
author = {Anindya Bhaduri and Ashwini Gupta and Lori Graham-Brady},
journal= {arXiv preprint arXiv:2111.05271},
year = {2023}
}