×

热机械载荷下含裂纹各向同性弹性体的非局部能量通知神经网络。 (英语) Zbl 07772296号

摘要:本文提出了一种非局部能量通知神经网络,用于在基于状态的普通周动力学框架下表征含裂纹弹性体在热机械载荷作用下的变形行为。基于虚功原理,发展了一种非局部能量方法,将周动力平衡方程的解转化为系统势能最小化问题,该问题自动满足无牵引边界条件。同时,物理系统的能量表示可以作为机器学习方法的损失函数。因此,构造了一个非局部能量信息神经网络来逼近系统的解。所提出的神经网络的一个显著优点是,应变能是以空间积分而不是空间导数表示的,这避免了原始物理信息神经网络中裂纹表面自动微分的无效性。为了证明所提出的神经网络的收敛性和准确性,进行了固体力学和断裂力学中的一系列问题,并与解析解或经典数值方法的结果进行了比较。此外,对于含有初始裂纹的弹性材料,将位移外推方法编码到所提出的神经网络中,以评估静态应力强度因子。
©2023 John Wiley&Sons有限公司。

MSC公司:

74S99型 固体力学中的数值方法和其他方法
74升10 脆性断裂
74磅05 经典线性弹性
74F05型 固体力学中的热效应
74G70型 固体力学中的应力集中奇点
74A70型 周边动力学
74G65型 固体力学平衡问题中的能量最小化
68T07型 人工神经网络与深度学习
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] BrancoR、AntunesFV、CostaJD。裂纹扩展建模的三维有限元自适应重网格技术综述。工程分形。2015年2月;141:170‐195. doi:10.1016/j.engfracmech.2015.05.023
[2] SukumarN、MoësN、MoranB、BelytschkoT。三维裂纹建模的扩展有限元方法。国际数值方法工程杂志2000;48(11):1549‐1570。doi:10.1002/1097‐0207(20000820)48:11<1549::AID‐NME955>3.0.CO;2‐A·Zbl 0963.74067号
[3] 德博斯特。准脆性材料的断裂和损伤:方法比较。西奥。申请。分形。2022年2月;122:103652. doi:10.1016/j.tafmec.2022.103652
[4] SillingSA。对不连续性和远程力的弹性理论进行了改革。机械物理固体杂志。2000;48(1):175‐209. doi:10.1016/S0022‐5096(99)00029‐0·Zbl 0970.74030号
[5] SillingSA、EptonM、WecknerO、XuJ、AskariE。准动态和本构建模。2007年《弹性杂志》;88(2):151‐184. doi:10.1007/s10659‐007‐9125‐1·Zbl 1120.74003号
[6] RenH、ZangX、RabczukT。解偏微分方程的非局部算子方法。计算方法应用机械工程2020;358:112621。doi:10.1016/j.cma.2019.112621·Zbl 1441.35250号
[7] 周XP,YuXL。线性弹性固体中裂纹萌生和扩展的矢量形式共轭剪切键基周动力模型。工程分形。2021年2月;256:107944. doi:10.1016/j.engfracmech.2021.107944
[8] 王毅、周旭、王毅和寿毅。脆性固体中裂纹萌生和扩展的基于3-D共轭键对的周动力公式。Int J实体结构。2018;134:89‐115. doi:10.1016/j.ijsolstr.2017.10.022
[9] ZhiNT朱克。富含键旋转效应的周向动力学配方。国际工程科学杂志。2017年;121:118‐129. doi:10.1016/j.ijengsci.2017.09.004·Zbl 1423.74072号
[10] Zheng G、ShenG、XiaY、HuP。考虑颗粒旋转和剪切影响系数影响的基于键的周动力模型。国际J数字方法工程2020;121(1):93‐109. doi:10.1002/nme.6189
[11] 卡索洛斯·迪亚纳夫。具有剪切变形能力的基于键的微极动力学模型:弹性、破坏特性和初始屈服域。《国际固体结构杂志》,2019年;160:201‐231. doi:10.1016/j.ijsolstr.2018.10.026
[12] LeQV、ChanWK、SchwartzJ。线性弹性固体的二维普通、基于状态的周动力模型。国际J数字方法工程2014;98(8):547‐561. doi:10.1002/nme.4642·Zbl 1352.74040号
[13] ImachiM、TanakaS、OzdemirM、BuildQ、OterkusS、OterkusE。基于普通状态的周动力学动态裂纹止裂分析。《国际分形杂志》,2020年;221(2):155‐169。doi:10.1007/s10704‐019‐00416‐3
[14] RenH、ZangX、CaiY、RabczukT。双层位周动力。国际J数字方法工程2016;108(12):1451‐1476. doi:10.1002/nme.5257
[15] BreitenfeldMS、GeubellePH、WecknerO、SillingSA。静态裂纹问题的基于非正常状态的周动力分析。计算方法应用机械工程2014;272:233‐250. doi:10.1016/j.cma.2014.01.002·Zbl 1296.74099号
[16] YaghoobiA,ChorzepaMG。在基于非常态的周动力学中抑制零能量模式的高阶近似。计算结构。2017年;188:63‐79. doi:10.1016/j.com.pstruc.2017.03.019
[17] 王赫、徐毅、黄德。用于热粘塑性变形和冲击断裂的非普通状态基周动力公式。国际机械科学杂志。2019;159:336‐344. doi:10.1016/j.ijmecsci.2019.06.008
[18] RahimiMN、KefalA、YildizM、OterkusE。通过钻止动孔提高脆性材料韧性的基于状态的普通周动力学模型。国际力学杂志。科学.2020;182:105773. doi:10.1016/j.ijmecsci.2020.105773
[19] 周XP、ShouYD、BertoF。使用基于普通状态的周动力学分析单轴拉伸下裂纹尖端附近的塑性区。疲劳断裂工程材料结构。2018;41(5):1159‐1170. doi:10.1111/ffe.12760
[20] DelormeR、TabiaiI、Laberge LebelL、LévesqueM。各向同性线性粘弹性的普通基于状态的周动力模型的推广。机械时间相关材料。2017年;21(4):549‐575. doi:10.1007/s11043‐017‐9342‐3
[21] LiS、LuH、Huang X、Yang J、SunP。使用基于普通状态的周动力学对船用铸铁材料中裂纹扩展和合并进行数值模拟。海洋工程2022;266:112812. doi:10.1016/j.oceaneng.2022.112812
[22] YangZ、YangS‐Q、ChenM。含单裂隙花岗岩热循环处理后断裂力学行为的围动力学模拟。计算岩土工程。2020;120:103414. doi:10.1016/j.compgeo.2019.103414
[23] LiX、YuY、MuZ、HuYL。基于状态的周动力学对连续纤维增强复合材料有效性能的细观模型。机械与固体学报。2021;34(5):729‐742. doi:10.1007/S10338‐021‐00239‐7
[24] 卡尼亚达基斯莱斯姆。隐藏物理模型:非线性偏微分方程的机器学习。计算物理杂志。2018;357:125‐141. doi:10.1016/j.jcp.2017.11.039·Zbl 1381.68248号
[25] 莱斯姆、亚兹达尼亚、卡尼亚达克斯。隐藏流体力学:从流动可视化中学习速度和压力场。科学(80‐),2020年;367(6481):1026‐1030. doi:10.1126/science.aaw4741·Zbl 1478.76057号
[26] Margossian CCC。自动微分及其有效实现综述。威利公司(Wiley Interdiscip)。最小知识发现版本数据。2019;9(4):e1305。doi:10.1002/widm.1305
[27] Günes BaydinA、PearlmutterBA、Andreyevich RadulA、MarkSJ。机器学习中的自动分化:一项调查。J Mach Learn Res.2018;18:1‐43. ·Zbl 06982909号
[28] 高H、孙乐、王家鑫。使用无高分辨率标签的基于物理信息的卷积神经网络对流体进行超分辨率和去噪。物理流体。2021;33(7):073603. 数字标识代码:10.1063/5.0054312
[29] BorkowskiL、SoriniC、ChattopadhyayA。基于递归神经网络的多轴塑性模型,对物理约束进行正则化。计算。结构2022;258:106678. doi:10.1016/j.compstruc.2021.106678
[30] 拉纳德雷、希尔克、帕塔克J。DiscretizationNet:使用有限体积离散化的基于机器学习的Navier-stokes方程求解器。计算方法应用机械工程2021;378:113722. doi:10.1016/j.cma.2021.113722·Zbl 1506.76115号
[31] 高H、孙乐、王家鑫。PhyGeoNet:基于物理的几何自适应卷积神经网络,用于求解不规则域上的参数化稳态偏微分方程。计算物理杂志。2021;428:110079。doi:10.1016/J.JCP.2020.110079·Zbl 07511433号
[32] ChiuP‐H、WongJC、OoiC、DaoMH、OngY‐S。CAN-PINN:基于耦合自动数值微分方法的快速物理信息神经网络。计算方法应用机械工程2022;395:114909. doi:10.1016/j.cma.2022.114909·Zbl 1507.65204号
[33] QiuR,HuangR,XiaoY,等。两相流相场法的物理信息神经网络。物理流体。2022;34(5):052109. doi:10.1063/5.0091063
[34] MahmoudabadbozchelouM、KarniadakisGE、JamaliS。Nn-PINNs:用于复杂流体建模的非牛顿物理信息神经网络。软物质。2022;18(1):172‐185. doi:10.1039/d1sm01298c
[35] Guo S、AgarwalM、CooperC等,《金属添加剂制造的机器学习:走向基于物理的数据驱动范式》。制造系统杂志。2022;62:145‐163. doi:10.1016/j.jmsy.2021.11.003
[36] HeX、ChenJ‐S。用于路径相关材料数据驱动建模的热力学一致机器学习内部状态变量方法。计算方法应用机械工程2022;402:115348. doi:10.1016/j.cma.2022.115348·Zbl 1507.74007号
[37] Carranza‐AbaidA、SvendsenHF、JakobsenJP。用人工神经网络建立热力学一致的汽液平衡模型。流体相平衡。2023;564:113597. doi:10.1016/j.fluid.2022.113597
[38] KarinpuliS,TahmasebiP。物理学为机器学习提供了信息:地震波方程。Geosci Front。2020;11(6):1993年至2001年。doi:10.1016/j.gsf.2020.07.007
[39] SongC、LiuY、ZhaoP、ZhaoT、ZouJ、LiuC。使用深度学习模拟多分量弹性地震波场。IEEE Geosci遥感快报。2023;20:1‐5. doi:10.1109/LGRS.2023.3250522
[40] AlmajidMM,Abu‐Al-SaudMO。利用物理信息神经网络预测多孔介质流体流动。《石油科学与工程杂志》2022;208:109205. doi:10.1016/j.petrol.2021.109205
[41] Zhang E、DaoM、KarniadakisGE、SureshS。使用基于物理的神经网络分析材料的内部结构和缺陷。科学进展2022;8(7):eabk0644。doi:10.1126/sciadv.abk0644
[42] BaekJ、ChenJ‐S、SusukiK。用于模拟应变局部化的神经网络增强再生核粒子方法。国际数理方法工程杂志2022;123(18):4422‐4454. doi:10.1002/nme.7040·Zbl 07768033号
[43] KarniadakisGE、KevrekidisIG、LuL、PerdikarisP、WangS、YangL。基于物理的机器学习。Nat Rev物理。2021;3(6):422‐440. doi:10.1038/S42254‐021‐00314‐5
[44] LuL、MengX、MaoZ、KarniadakisGE。DeepXDE:用于求解微分方程的深度学习库。SIAM修订版2021;63(1):208‐228. doi:10.1137/19M1274067·Zbl 1459.65002号
[45] CaiS、MaoZ、WangZ、YinM、KarniadakisGE。流体力学物理信息神经网络(PINNs):综述。机械学报Sin Xuebao。2021;37(12):1727‐1738. doi:10.1007/S10409‐021‐01148‐1
[46] CuomoS、Di ColaVS、GiampaoloF、RozzaG、RaissiM、PiccialliF。通过物理信息神经网络进行科学机器学习:我们在哪里,下一步是什么。科学计算杂志。2022;92(3):62‐88。doi:10.1007/s10915‐022‐01939‐z·Zbl 07568980号
[47] HaghighatE、RaissiM、MoureA、GomezH、JuanesR。固体力学中反演和替代建模的基于物理学的深度学习框架。计算方法应用机械工程2021;379:113741. doi:10.1016/j.cma.2021.113741·Zbl 1506.74476号
[48] AbueiddaDW、LuQ、KoricS。基于无网格物理的三维固体力学深度学习方法。国际期刊数字。方法工程2021;122(23):7182‐7201. doi:10.1002/nme.6828
[49] WangJ‐J、WangC、FanJ‐S、MoYL。基于时间卷积网络的本构建模深度学习框架。计算物理杂志。2022;449:110784. doi:10.1016/j.jcp.2021.110784·Zbl 07524781号
[50] BaiJ、RabczukT、GuptaA、AlzubaidiL、GuY。基于修正损失函数的物理信息神经网络技术,用于计算2D和3D固体力学。计算力学。2023;71(3):543‐562. doi:10.1007/s00466‐022‐02252‐0·Zbl 1521.74404号
[51] SamaniegoE、AnitescuC、GoswamiS等。通过机器学习解决计算力学中偏微分方程的能量方法:概念、实现和应用。计算方法应用机械工程2020;362:112790. doi:10.1016/j.cma.2019.112790·Zbl 1439.74466号
[52] GoswamiS、AnitescuC、ChakrabortyS、RabczukT。用于裂缝相场建模的传递学习增强物理信息神经网络。理论或应用分形力学。2020;106:102447. doi:10.1016/j.tafmec.2019.102447
[53] 郑B、LiT、QiH、GaoL、LiuX、YuanL。无标记数据的准脆性材料计算断裂的物理信息机器学习模型。国际力学杂志。科学2022;第223:1007282页。doi:10.1016/j.ijmecsci.2022.107282
[54] HaghighatE、BekarAC、MadenciE、JuanesR。使用周动力学微分算子的非局部物理深度学习框架。计算方法应用机械工程2021;385:114012. doi:10.1016/j.cma.2021.114012·Zbl 1502.65172号
[55] 张赫、乔普。用于弹性和断裂分析的二维普通状态基周动力模型。工程分形力学。2020;232:107040. doi:10.1016/j.engfracmech.2020.107040
[56] Oterkus高。全耦合热弹性问题的基于普通状态的周动力模型。Contin Mech Thermodyn公司。2019;31(4):907‐937. doi:10.1007/s00161‐018‐0691‐1
[57] 王毅、周旭、库姆。一种改进的热-机械耦合键基周动力模型,用于热冲击下脆性固体的开裂行为。Eur J Mech A/固体。2019;73:282‐305. doi:10.1016/j.euromechsol.2018.09.007·Zbl 1406.74615号
[58] 马登西·基利克布。用于热机械分析的周动力学理论。IEEE传输高级包。2010;33(1):97‐105. doi:10.1109/TADVP.2009.2029079
[59] HanF,LubineauG,AzdoudY,AskariA。基于状态的周动力学与经典连续介质力学耦合的变形方法。计算方法应用机械工程2016;301:336‐358. doi:10.1016/j.cma.2015.12.024·Zbl 1425.74079号
[60] ChenZ,BobaruF。在周动力公式中选择内核:瞬态热扩散研究。计算物理通信。2015;197:51‐60. doi:10.1016/j.cpc.2015.08.006
[61] GuX、MadenciE、ZhangQ。重新审视基于非寻常状态的周动力学。工程分形。2018年2月;190:31‐52. doi:10.1016/j.engfracmech.2017.11.039文件
[62] 塞莱森P,ParksML。关于影响函数在周动力理论中的作用。国际多尺度计算工程杂志2011;9(6):689‐706. doi:10.1615/IntJMultCompEng.211002527
[63] 张T,周X,钱Q。隧道开挖数值模拟的带分数阶导数的周动力Drucker‐Prager塑性模型。国际J地质力学数值分析方法。2022;46(9):1620‐1659. doi:10.1002/nag.3361
[64] SillingSA。周动力状态的线性化理论。J弹性。2010;99(1):85‐111. doi:10.1007/s10659‐009‐9234‐0·Zbl 1188.74008号
[65] YuXL、ZhouXP。基于数据驱动键的周动力模型,由数据处理神经网络的组方法和遗传算法推导而来。国际数理方法工程杂志2022;123(22):5618‐5651. doi:10.1002/nme.7881
[66] AbadiM、BarhamP、ChenJ等,《TensorFlow:大规模机器学习系统》。第十二届USENIX操作系统设计与实现研讨会论文集,OSDI 2016。USENIX协会;2016:265‐283.
[67] PaszkeA、GrossS、MassaF等。PyTorch:一个命令式、高性能的深度学习库。高级神经信息处理系统。2019;32:8024‐8035.
[68] XiangZ、PengW、LiuX、YaoW。自适应损失平衡物理信息神经网络。神经计算。2022;496:11‐34. doi:10.1016/j.neucom.2022.05.015
[69] BaJL KingmaDP公司。亚当:一种随机优化方法。第三次国际会议学习。代表。ICLR 2015——2015年会议跟踪程序。
[70] DeanJ、CorradoGS、MongaR等。大规模分布式深网络。高级神经信息处理。系统2012;2:1223‐1231.
[71] SillingSA,AskariE。基于固体力学周动力模型的无网格方法。计算。结构.2005;83(17-18):1526‐1535. doi:10.1016/j.compstruc.2004.11.026
[72] ParksML、LehoucqRB、PlimptonSJ、SillingSA。在分子动力学代码中实现周动力学。计算物理通信。2008;179(11):777‐783. doi:10.1016/j.cpc.2008.06.011·Zbl 1197.82014年
[73] BobaruF,LeQV。弹性力学和断裂力学模型的表面修正。计算。2018年2月;61(4):499‐518. doi:10.1007/s00466‐017‐1469‐1·Zbl 1446.74084号
[74] 塞莱森P。基于分析计算的二维周动力模型的改进单点求积算法。计算方法应用机械工程2014;282:184‐217. doi:10.1016/j.cma.2014.06.016·Zbl 1423.74143号
[75] 渭南E,是的。deep Ritz方法:一种基于深度学习的数值算法,用于解决变分问题。2018年公共数学统计;6(1):1‐12. doi:10.1007/s40304‐018‐0127‐z·Zbl 1392.35306号
[76] 博巴鲁·哈伊德。动态裂纹扩展和裂纹分支的周动力学研究。国际分形杂志2010;162(1-2):229‐244. doi:10.1007/s10704‐010‐9442‐4·Zbl 1425.74416号
[77] 斯卡比亚夫、扎卡里奥托、加尔瓦内托。一种新的有效方法,用于在基于状态的周界动力学中施加边界条件并减轻表面效应。国际数理方法工程杂志2021;122(20):5773‐5811. doi:10.1002/nme.6773
[78] JagtapAD、KawaguchiK、KarniadakisGE。自适应激活函数加速了深层物理信息神经网络的收敛。计算物理杂志。2020;404:109136. doi:10.1016/j.jcp.2019.109136·Zbl 1453.68165号
[79] 埃里克松·斯坦斯特·C。通过位移的周动力学J等值线积分。国际J分形。2019;216(2):173‐183. doi:10.1007/s10704‐019‐00351‐3
[80] 斯卡比亚夫、扎卡里奥托、加尔瓦内托。一种基于泰勒展开和最近节点策略的新方法,用于在基于普通状态的周动力学中施加Dirichlet和Neumann边界条件。计算。2022年2月;70(1):1‐27. doi:10.1007/s00466‐022‐02153‐2·Zbl 1492.74011号
[81] DaiMJ、TanakaS、Oterkus和OterkusE。普通基于状态的周动力框架中裂纹Mindlin板的静态和动态力学行为。力学学报。2022;233(1):299‐316. doi:10.1007/s00707‐021‐03127‐w·Zbl 1525.74134号
[82] TadaH、ParisPC、IrwinGR。裂纹的应力分析。手册,Del Res Corp.,1973年;34(1973).
[83] 安德森TL。断裂力学:基础与应用。CRC出版社;2017. ·Zbl 1360.74001号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。