基于数据驱动的各向异性塑性研究:利用输入凸神经网络与等效塑性功模型

《Extreme Mechanics Letters》:Data-driven anisotropic plasticity via Input-Convex Neural Network and Equivalent Plastic Work

【字体: 大 中 小 】 时间:2026年04月25日 来源:Extreme Mechanics Letters 4.5

编辑推荐:

  基于等效塑性功的输入凸神经网络平面应力各向同性塑性建模框架研究提出一种结合等效塑性功(EPW)映射和输入凸神经网络(ICNN)的数据驱动平面应力各向同性塑性框架,通过合成数据训练和SPSA调优确保凸性,提升数值稳定性,并在缺口AZ31B镁合金拉伸实验中验证了模型的有效性。

  
张国革|刘丽杰|陈春晓|于泽峰|张忠良|Khalil I. Elkhodary|唐珊|郭旭
中国大连理工大学工程力学系,工业设备结构分析、优化与CAE软件国家重点实验室,大连,116023

摘要

本研究通过将等效塑性功(EPW)状态变量与输入凸神经网络(ICNN)相结合,建立了一个用于平面应力各向异性塑性的计算框架。ICNN通过其构造保证了屈服面的全局凸性,从而确保了回映射算法的稳健稳定性;同时,推导出的解析一致切线模量使得隐式有限元求解器能够实现二次收敛。该框架基于Hill48基础的代表体积元素(RVE)合成数据进行训练,再现的解析屈服面相对偏差低于5%。通过基于同时扰动随机逼近(SPSA)的混合校准阶段,针对带缺口的AZ31B镁合金试样的拉伸实验数据对网络参数进行了微调,提高了载荷-位移曲线的一致性,同时保持了凸性。EPW-ICNN框架为将路径依赖的硬化效应和数据驱动的校准集成到工程规模模拟中提供了一种系统且数值稳定的方法。

引言

由于金属和复合材料具有较高的强度重量比和良好的成形性,它们被广泛用于轻量化结构中[1]、[2]、[3]、[4]。热机械加工会导致织构演变和方向性塑性流动,从而产生工艺依赖的各向异性[5]、[6]、[7]、[8]。因此,需要能够捕捉多轴和非比例加载响应的本构模型来预测实际加载路径下的成形行为[9]、[10]、[11]。现象学屈服函数一直是模拟各向异性的标准方法。Hill提出了适用于正交各向异性金属的经典Hill48准则[12],后来将其扩展到方向性硬化[13]、[14]。Barlat及其同事引入了更高阶的各向异性公式,包括Barlat91、Yld2000-2d和Yld2004-18p[15]、[16]、[17]、[18]。后续的发展还包括了考虑拉伸-压缩不对称性的CPB06准则[19]、[20]、[21]。
尽管这些经典屈服函数被广泛使用,但它们对于新兴材料和复杂的加载历史仍然存在局限性。它们预设的形式通常需要复杂的校准过程,而具有大量参数的高保真模型在计算上成本高昂且对数据敏感[10]、[22]。这些局限性促使人们发展灵活的数据驱动本构建模策略[23]、[24]。人工神经网络(ANNs)因能够近似高维非线性关系而受到认可[25]、[26]、[27],并已成功应用于材料建模。早期研究,包括嵌套自适应神经网络和隐式粘塑性模型[28]、[29],展示了直接从数据中学习材料行为的潜力。Ortiz及其同事进一步将这一概念形式化,提出使用实验数据直接求解受守恒律约束的边值问题[30]。
将ANN方法扩展到弹塑性分析时,内部变量的路径依赖演化是一个挑战。在塑性过程中,非凸屈服面可能导致非唯一解和回映射过程中的数值不稳定。最近的研究结合了屈服函数和热力学约束等领域知识,以提高稳定性和可解释性[22]、[31]、[32]。特别是Fuhg及其同事的研究提出了结构化的、基于物理的本构公式,包括模块化弹塑性、各向异性屈服面的凸神经网络描述以及相关的受限神经本构模型[33]、[34]、[35]。这些研究在结构化数据驱动本构建模方面取得了重要进展。与这些公式不同,本研究采用基于等效塑性功(EPW)的映射来编码各向异性塑性,然后通过ICNN表示,并将其嵌入到有限元本构更新中。
本研究提出了一个用于平面应力各向异性塑性的数据驱动本构框架。该框架利用等效塑性功(EPW)映射将多轴加载历史压缩为一个标量内部变量,并通过输入凸神经网络(ICNN)构建全局凸的屈服函数。通过结构上强制凸性,ICNN起到了数学保障作用,确保了唯一解的存在以及大规模隐式有限元分析所需的正定算法切线刚度。所得公式被嵌入到带有标准回映射算法的商业有限元求解器中。使用二次Hill48准则生成合成训练数据,以验证ICNN模型的数值稳定性和其切线模量的正确性。随后,应用同时扰动随机逼近(SPSA)根据带缺口的试样拉伸数据对模型进行校准,从而细化屈服面并提高对实际塑性行为的预测精度。

方法论

开发了一个用于各向异性弹塑性的计算框架,该框架结合了数据驱动的屈服面和经典塑性理论,采用“物理初始化、数据细化”的策略。如图1所示,该框架分为三个阶段:(1)使用标准Hill48模型在多轴应力状态下通过RVE模拟生成离线训练数据集;(2)训练ICNN以表示这一基线屈服函数并将其部署在

数值示例

通过两个基准问题评估了基线EPW-ICNN模型的预测性能,并将其与基于Hill48参考模型的直接数值模拟(DNS)进行了比较。所有有限元分析均使用厚度为1毫米、厚度方向上具有11个高斯点的S4R单元。单位系统定义如下:长度以毫米(mm)为单位,力以牛顿(N)为单位,时间以秒(s)为单位,应力、压力和弹性模量以兆帕(MPa)为单位。

通过SPSA微调神经网络本构参数

在工作流程的第三阶段,我们通过在单轴拉伸条件下模拟带缺口的试样来评估模型的实际性能,并将结果与实验力-位移曲线进行比较。
在这个基于实验的校准阶段,SPSA通过最小化0°和90°缺口试样的模拟力-位移曲线之间的均方误差来更新预训练的ICNN参数,从而得到校准后的EPW-ICNN模型。

结论

本研究提出了一个用于单调加载下各向异性塑性的数据驱动框架,该框架采用各向同性硬化。核心概念是利用输入凸神经网络(ICNN)将等效应力作为平面应力分量的全局凸函数进行学习,从而得到一个嵌入在经典回映射算法中的隐式屈服函数,该算法具有统一的切线模量,并通过UMAT实现。
通过结构基准测试和带缺口试样测试进行了验证

CRediT作者贡献声明

张国革:撰写 – 审稿与编辑,撰写 – 初稿,可视化,验证,方法论,研究。 刘丽杰:撰写 – 审稿与编辑,方法论,研究。 陈春晓:撰写 – 审稿与编辑,验证,方法论。 于泽峰:撰写 – 初稿,验证,研究。 张忠良:验证,研究。 Khalil I. Elkhodary:撰写 – 审稿与编辑,验证。 唐珊:撰写 – 审稿与编辑,撰写 – 初稿,

利益冲突声明

作者声明他们没有已知的可能会影响本文所报告工作的财务利益或个人关系。

致谢

本研究得到了辽宁省重大科技专项(项目编号:2024JH1/11700046)和国家自然科学基金(项目编号:12372194)的支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号