Прогнозирование полей напряжений, деформаций и деформаций в материалах и конструкциях с помощью графовых нейронных сетей

Научные отчеты, том 12, Номер статьи: 21834 (2022) Цитировать эту статью

5732 Доступа

1 Цитаты

6 Альтметрика

Подробности о метриках

Разработка точных, но быстрых вычислительных инструментов для моделирования сложных физических явлений является давней проблемой. Последние достижения в области машинного обучения произвели революцию в подходе к моделированию, перейдя от чисто физической парадигмы к парадигме, основанной на искусственном интеллекте. Несмотря на достигнутые впечатляющие достижения, эффективное предсказание сложных физических явлений в материалах и конструкциях остается сложной задачей. Здесь мы представляем общую структуру на основе искусственного интеллекта, реализованную с помощью графовых нейронных сетей, способную изучать сложное механическое поведение материалов на основе нескольких сотен данных. Используя естественное сопоставление сетки с графом, наша модель глубокого обучения прогнозирует поля деформации, напряжений и деформаций в различных системах материалов, таких как волокна и слоистые композиты, а также решетчатые метаматериалы. Модель может отражать сложные нелинейные явления, от пластичности до потери устойчивости, по-видимому, изучая физические взаимосвязи между прогнозируемыми физическими полями. Благодаря своей гибкости эта основанная на графах структура призвана связать микроструктуру материалов, свойства базовых материалов и граничные условия с физическим откликом, открывая новые возможности для суррогатного моделирования на основе графов ИИ.

В постоянно растущих усилиях по открытию и проектированию высокоэффективных механических материалов и конструкций распределение деформации, напряжений и деформаций является важной информацией, из которой можно вывести все остальные механические свойства или функции. С недавним взрывом технологий аддитивного производства появились морфологически и физически сложные материалы и структуры с превосходными механическими свойствами и функциями, такие как иерархические композиты1,2,3, геометрически взаимосвязанные структуры4,5,6 и архитектурные метаматериалы7,8,9,10, теперь можно легко изготовить. Из-за их геометрической сложности11 и сложного расположения составляющих материалов с различными механическими свойствами12 прогнозирование физической реакции таких материальных систем с помощью традиционных методов, таких как аналитические модели и численное моделирование, становится легко осуществимым, особенно при быстром, но точном скрининге астрономически больших наборы данных должны быть выполнены для открытия и проектирования материалов13. Кроме того, даже традиционно изготавливаемые материалы и конструкции с сильно нелинейными характеристиками, такими как гиперэластичность, пластичность и нестабильность после потери устойчивости, требуют дорогостоящего вычислительного моделирования, что ограничивает исследования и открытия материалов14,15. В более общем смысле, прогнозирование полей деформаций и напряжений материалов и структурных систем является постоянной задачей в материаловедении и инженерии, а поиск быстрого, но точного подхода к ней является открытой сложной проблемой. Основанное на физике вычислительное моделирование, в частности моделирование методом конечных элементов (FE), мотивированное ограничениями аналитических моделей для эффективного прогнозирования физического поведения твердых материалов и конструкций, до сих пор представляло собой ключевой фактор для решения сложных физических начальных и краевых задач. часто включают в себя сильно нелинейные уравнения в частных производных16. Однако появление и рост области машинного обучения (МО) в последние годы продемонстрировали возможность превзойти традиционные численные решатели, значительно ускорив моделирование физических систем17,18,19,20,21,22 за счет использования физических методов. информированные нейронные сети для извлечения полей скорости и давления из визуализации потока23 для обратного проектирования спроектированных материалов с чрезвычайно упругими свойствами с использованием генеративно-состязательных сетей24. Учитывая важность открытия и проектирования материалов, связывание микро- и мезоструктуры материалов с механическими свойствами (структура-свойство)25,26,27,28,29,30 и обратное проектирование (т.е. с заданными целевыми свойствами, поиск оптимальных конструкций) высокопроизводительные архитектурные метаматериалы10,13,24,31,32,33,34,35,36,37,38,39 в последнее время доминируют в области исследований. В обоих случаях характеристики материалов по существу определяются локальными механическими полями, такими как распределение напряжений и деформаций, из-за влияния геометрии, поведения основных материалов и граничных условий. Используя преимущества сверточных нейронных сетей на основе пикселей, механические поля в основном изучались на «цифровых» (т.е. дискретизированных в виде сеток) материальных и структурных системах40,41,42,43,44,45,46, как в47 где поля напряжений и деформаций прогнозировались на цифровых иерархических композитах, или в48, где микроструктуры гетерогенных материалов рассматривались как изображения. Один из наиболее популярных и используемых численных методов, таких как моделирование методом конечных элементов, использует сеточное представление вместо обычного сеточного представления для решения основных дифференциальных уравнений в частных производных. Благодаря интуитивно понятному расширению информации о сетке до графического представления графовые нейронные сети (GNN)49 наследуют все преимущества использования ячеистых доменов. Более того, до сих пор отсутствует эффективная общая структура ML, способная связать не только микроструктуру материала, но также свойства составляющих материалов (например, в композитном материале) и граничные условия с физическим откликом.