基于物理信息的神经网络的复合代表体积元素的生成,具有不均的分布和高体积分数
Tianlu Zheng1, Chaocan Cai1, Fan Yang1
1National Key Laboratory of Science and Technology on Advanced Composites in Special Environments, Center for Composite Materials and Structures, Harbin Institute of Technology, Harbin 150080, China.
本研究引入了一种新的物理信息神经网络 (PINN) 方法,用于在复合材料中生成代表体积元素 (RVE). 它有效地在没有大型数据集的情况下创建复杂的微观结构,从而实现准确的机械性质预测.
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
- 机器学习 机器学习
背景情况:
- 传统的机器学习用于RVE生成需要广泛的训练数据集.
- 产生高纤维体积分数和不均分布的RVE具有挑战性.
- 准确的RVE对于预测复合材料特性至关重要.
研究的目的:
- 开发一种新的机器学习方法,用于在纤维增强复合材料中产生RVE.
- 为了克服大型培训的局限性,在RVE生成中设置了大量培训要求.
- 准确地建模复杂的微观结构,具有高体积分数和不均的纤维分布.
主要方法:
- 物理信息神经网络 (PINN) 框架将物理约束 (非重叠,体积分数,边界条件) 整合到损失函数中.
- 对于具有非均纤维分布和超过0.8.8的体积分数的单向纤维增强复合材料,生成RVE.
- 统计分析以验证局部光纤分布的准确性和更大规模的随机性.
主要成果:
- 成功生成了超过0.8的体积分数的RVE,超过了常规限制.
- 通过统计测量证实了局部纤维分布模式的准确复制和更大规模的随机性.
- 对生成的RVE进行有限元分析,准确预测了宏观机械性能和微观损伤模式,与实验数据有很好的一致性.
结论:
- 基于PINN的方法显著减少了在RVE生成中需要大型培训数据集的需求.
- 该方法可以为复杂微观结构的复合材料创建现实和统计准确的RVE.
- 该框架为计算微力学提供了一种高效可靠的工具,特别是用于聚合物矩阵复合材料.
更多相关视频
09:11High-resolution Volume Imaging of Neurons by the Use of Fluorescence eXclusion Method and Dedicated Microfluidic Devices
Published on: March 26, 2018
06:20Author Spotlight: Development of an Automated Camera-Based System for Real-Time Blast Overpressure Monitoring and TBI Risk Assessment in Military Training
Published on: December 6, 2024
相关概念视频
Finding Volume Using Cross-Sectional Area
Continuous Charge Distributions
The electric charge can also be subjected to an analogical...
Calculation of Volume of Solids by Integration
Uniform Depth Channel Flow: Problem Solving
Theorems of Pappus and Guldinus: Problem Solving
Uniform Depth Channel Flow
