深度生成时空学习,用于整合复合材料中的断裂力学:反向设计,发现和优化

科学领域:

• 材料科学 材料科学 材料科学
• 计算力学 计算力学 计算力学
• 人工智能的人工智能

背景情况:

• 在复合材料 (CMs) 中实现最佳的强度和性是关键的工程挑战.
• 目前用于CMs的计算建模在计算上昂贵,并且缺乏对新配置的预测能力.
• 这限制了发现具有所需权衡的材料.

研究的目的:

• 使用多任务深度学习 (DL) 架构开发数据驱动的设计框架.
• 准确预测局部场 (应力,裂传播) 和CMs.同质化机械性能.
• 为了克服CM配置优化中传统计算方法的局限性.

主要方法:

• 开发了一种多任务DL架构,并在裂阶段场模拟数据集上进行训练.
• 该模型从CM配置中预测了局部场的时空行为和同质化的机械特性.
• 该框架与逆向设计任务的遗传优化算法相结合.

主要成果:

• DL模型对未见的CM配置,包括那些有组织模式的模型,表现出了卓越的预测性能.
• 它准确地预测了长期的时空场,实现了与FEM可比的准确性,并显著减少了计算时间.
• 该框架成功指导了CM配置的设计,其属性超出了训练集和受控裂纹模式.

结论:

• 拟议的AI驱动框架为CM设计的传统方法提供了一个计算效率高的替代方案.
• 它能够准确预测和优化复杂的材料行为,促进发现先进的CMs.
• 这种方法在材料工程中具有直接的配置和结构优化的巨大潜力.