基于循环神经算子的粘弹性复合材料历史相关力学行为多尺度建模研究

本文提出了一种基于循环神经算子（RNO）的数据驱动框架，用于高效预测纤维增强复合材料在有限变形下的历史相关粘弹性行为（viscoelastic behavior）。该研究通过代表性体积单元（RVE）的高保真有限元模拟数据训练RNO代理模型，成功实现了对材料有效平衡与非平衡应变能分量的精准映射，显著降低了传统多尺度计算（multiscale computation）的成本，为复杂复合材料力学性能分析提供了创新解决方案。

　　

Section snippets

Problem formulation

本节简要介绍了用于生成代表性体积单元（RVE）数据集的有限变形粘弹性理论（finite deformation viscoelasticity theory），并描述了本研究中使用的RVE单元的几何与材料属性。

RNO-based multiscale approach

为降低直接数值模拟（DNS）或并发多尺度方法带来的巨大计算成本，本研究采用离线策略，从RVE尺度入手。在该尺度进行详细的有限元计算，并利用仿真结果作为数据，通过计算有效量和属性来训练RNO代理模型。值得注意的是，由于我们关注的是复合材料的_历史相关材料行为...

Results

本节首先验证了RNO代理模型在单胞级别的准确性，随后将其应用于宏观尺度研究纤维增强复合材料的力学行为。RNO代理模型的精度通过与直接数值模拟（DNS）结果进行对比测试。

Conclusion

本工作介绍了一种基于循环神经算子（RNO）的框架，用于模拟异质复合材料在有限变形下的历史相关粘弹性行为。我们的方案采用数据驱动方法，估算有效平衡与非平衡应变能分量的函数依赖性，并预测内部变量的更新。通过利用代表性体积元素的高保真有限元模拟，我们训练了一个...