StressNet：用于预测脆性材料中裂纹扩展所致应力演化的深度学习模型
机器学习
2020-11-23 v1 材料科学
摘要
脆性材料中的灾难性失效通常归因于由高内应力助长的裂纹快速扩展与合并。因此，准确预测最大内应力对于预测失效时间以及改善材料的抗断裂性和可靠性至关重要。现有的高保真方法，如有限-离散元模型（FDEM），受其高计算成本的限制。因此，为在保持精度的同时降低计算成本，提出了一种新颖的深度学习模型“StressNet”，基于裂纹扩展和初始应力数据来预测最大内应力的整个序列。更具体地，设计了时间独立卷积神经网络（TI-CNN）以捕获裂纹的空间特征（如裂纹路径和剥落区域），并采用双向长短期记忆（Bi-LSTM）网络来捕获时间特征。通过融合这些特征，可以准确预测最大内应力随时间的演化。此外，通过动态整合均方误差（MSE）和平均绝对百分比误差（MAPE）设计了自适应损失函数，以反映最大内应力的波动。训练后，所提模型能够在约 20 秒内计算出准确的最大内应力多步预测，而 FDEM 的运行时间为 4 小时，相对于测试数据的平均 MAPE 为 2%。
引用
@article{arxiv.2011.10227,
title = {StressNet: Deep Learning to Predict Stress With Fracture Propagation in Brittle Materials},
author = {Yinan Wang and Diane Oyen and Weihong and Guo and Anishi Mehta and Cory Braker Scott and Nishant Panda and M. Giselle Fernández-Godino and Gowri Srinivasan and Xiaowei Yue},
journal= {arXiv preprint arXiv:2011.10227},
year = {2020}
}
备注
13 pages