基于替代模型的热塑性复合材料在偏轴加载下的多尺度实验分析

本文提出了一种基于替代模型的多尺度方法，用于建模单向热塑性复合材料在偏轴加载下进行的恒定应变率和缓慢应变实验。在先前的研究中，这些实验通过假设宏观均匀性的单尺度微观力学仿真来建模。虽然在许多情形下这种方法高效且准确，但在低偏轴角度下的仿真显示出与实验显著的偏差。我们推测，这种偏差是由宏观场的非均匀性引起的，这需要多尺度方法来捕捉。然而，完整的全场多尺度仿真仍然在计算上不可行。为此，我们用物理循环神经网络（Physically Recurrent Neural Network, PRNN）替代微观模型，PRNN是一种结合数据驱动组件与嵌入本构模型的替代模型，能够自然地捕捉历史依赖行为。本文还探讨了该网络潜在空间可解释性，并通过迁移学习策略实现无需重新训练的解释。通过基于替代模型的仿真，我们确认了宏观应变场非均匀性的假设，并深入了解了实验装置中斜置端板调整对实验结果的影响。虽然替代模型的多尺度方法在广泛的设置下与实验的吻合度优于单尺度微观方法，但在缓慢应变实验方面的精度仍有局限，其中隐式地将宏观试验效应纳入了材料属性标定。