面向 HCP 材料温度相关各向异性塑性的温度感知循环神经算子
材料科学
2025-08-27 v1 机器学习
摘要
计算力学中本构定律的神经网络代理模型已经使用了一段时间。在塑性领域，这些模型通常依赖于门控循环单元（GRUs）或长短期记忆（LSTM）单元，它们擅长捕捉路径依赖现象。然而，它们存在训练时间长和预测依赖于时间分辨率且外推能力差的问题。此外，大多数现有的宏观或介观塑性代理模型仅处理相对简单的材料行为。为了克服这些限制，我们引入了温度感知循环神经算子（TRNO），这是一种与时间分辨率无关的神经架构。我们将 TRNO 应用于模拟多晶镁的温度相关塑性响应，该材料表现出强烈的塑性各向异性和热敏感性。TRNO 实现了高预测精度，并在不同的加载情况、温度和时间分辨率下有效泛化。它在训练效率和预测性能上也优于传统的 GRU 和 LSTM 模型。最后，我们展示了使用 TRNO 的多尺度模拟，与传统本构模型相比，速度至少提升了三个数量级。
引用
@article{arxiv.2508.18806,
title = {Temperature-Aware Recurrent Neural Operator for Temperature-Dependent Anisotropic Plasticity in HCP Materials},
author = {Yannick Hollenweger and Dennis M. Kochman and Burigede Liu},
journal= {arXiv preprint arXiv:2508.18806},
year = {2025}
}