物理信息的神经网络深度依赖的构成关系的梯度纳米结构的316L不钢316L不钢
Huashu Li1, Yang Cheng1, Zheheng Wang1
1College of Mechanical Engineering, Zhejiang University of Technology, Hangzhou 310032, China.
Materials (Basel, Switzerland)
|August 14, 2025
概括
一种新方法使用物理信息的神经网络 (PINNs) 来建模梯度纳米结构 (GS) 材料. 这种方法准确地捕捉了依赖于深度的构成关系,这对于理解材料行为至关重要.
科学领域:
- 材料科学 材料科学 材料科学
- 机械工程 机械工程
- 计算机建模 计算建模
背景情况:
- 梯度纳米结构 (GS) 316L不钢由于不同的结构尺度而表现出协同的强度-可塑性匹配.
- 在GS材料中直接测试微型样本无法捕捉不均的变形效应和内在的纳米粒度颗粒可塑性.
- 准确地描述深度依赖的机械性质对于理解GS材料的行为至关重要.
研究的目的:
- 提出一种用于在GS材料中构建深度依赖构成关系的新方法.
- 将微硬度测量与物理信息的神经网络 (PINNs) 集成,用于材料建模.
- 准确预测异质材料的机械反应.
主要方法:
- 微硬度分布测量了GS 316L不钢样品的截面,这些样品被拉伸到各种应变.
- 基于深度的PINNs模型 (PINNs_εH和PINNs_Hσ) 使用硬度-拉伸力数据和转移学习来构建.
- 最终的PINNs_εσ模型,将硬度作为中间变量,通过三点曲测试和有限元模拟进行了验证.
主要成果:
- 开发了一种结合微硬度数据和PINNs的强大方法,以建立深度依赖的构成关系.
- PINNs_εσ模型成功地描述了GS材料的复杂机械行为.
- 验证证实了对异质材料提出的建模方法的准确性.
结论:
- 开发的基于PINNs的方法有效地确定GS材料中的位置依赖的构成关系.
- 这种方法克服了传统的微型试样测试不均变形的局限性.
- 该方法提供了一个强大的工具,用于建模和预测先进的异质材料的行为.
