利用神经网络辅助的降维技术以及频域与时域之间的转换方法,加速线性粘弹性材料在时域内的微观响应预测过程
《COMPOSITE STRUCTURES》:Accelerating the time-domain microscopic response prediction of linear viscoelastic materials with neural-network-assisted dimensionality reduction and frequency-time domain interconversion
【字体:
大
中
小
】
时间:2026年05月01日
来源:COMPOSITE STRUCTURES 7.1
编辑推荐:
沈贤钟 | 李元珠 | 申贤成
机械工程系,仁荷大学,100 Inha-ro,Michuhol-gu,仁川 22212,韩国
**摘要**
聚合物和复合材料等粘弹性材料表现出受微观结构异质性影响的时变和频变力学响应。准确预测至关重要,但由于需要在微观尺度上重复进行代
沈贤钟 | 李元珠 | 申贤成
机械工程系,仁荷大学,100 Inha-ro,Michuhol-gu,仁川 22212,韩国
**摘要**
聚合物和复合材料等粘弹性材料表现出受微观结构异质性影响的时变和频变力学响应。准确预测至关重要,但由于需要在微观尺度上重复进行代表性体积元素(RVE)的有限元分析(FEA),因此有限元平方(FE2)分析成本较高。本研究开发了一种频域微观响应预测和时域重建框架,以加速时域FE2中的本构响应评估。该方法结合了频域RVE分析、适当正交分解(POD)和深度神经网络(DNN),并通过逆快速傅里叶变换(IFFT)重建时域响应。POD降低了微观应力场的维度;DNN预测了宽频率范围内的简化POD系数;IFFT恢复了松弛模量。这种频率-时间转换策略能够捕捉粘弹性的储存模量和损耗模量,同时避免了直接进行遗传积分计算。使用椭球形、球圆柱形及多种微观结构的RVE模型进行的数值分析表明,频率域和时域响应的相对均方根误差(RRMSE)均低于0.05%。与直接模拟相比,运行时间从19-245小时缩短至7-17小时,内存需求从64.3-324.4 GB减少至6.48-64.8 GB,具体取决于所选模型。这些结果表明,该方法在保持精度的前提下提高了效率。
**引言**
聚合物和复合材料等粘弹性材料在航空航天、汽车和能源行业中发挥着重要作用,因为它们能在时变载荷下同时表现出弹性和粘性响应[1]、[2]、[3]。传统的实验和数值技术,如动态力学分析[4]、[5]、[6]、[7]、频率响应函数[8]、[9]、[10]、[11]以及有限元分析[12]、[13]、[14]、[15]、[16]、[17]、[18]、[19],已被用于表征和模拟粘弹性材料的行为。这些材料通常具有微观尺度异质性、界面效应和局部非线性,这些因素会显著影响其宏观性能[20]、[21]、[22]、[23]、[24]。因此,桥接微观和宏观尺度行为对于可靠的工程分析和设计至关重要。
在各种多尺度方法中,FE2因通过体积平均将宏观尺度积分点响应与微观尺度代表性体积元素行为系统地耦合而受到广泛关注。通过将微观结构细节明确纳入宏观尺度模型,FE2在局部特征对全局响应有显著影响时能够实现高精度,这对于宏观-微观并行设计和模拟至关重要。然而,由于时变问题通常需要大量的数值时间积分,因此效率较低——这是一个固有的缺点,可能在处理此类属性时使计算工作变得难以承受,从而促使人们寻求更高效的策略[25]、[26]、[27]。
在FE2中,重复求解微观尺度代表性体积元素会产生较高的计算成本,因此开发了多种模型简化技术来平衡精度和效率。早期的双尺度时间均匀化方法用于疲劳寿命预测,展示了降低在线计算成本的可能性[28];而简化模型的多尺度公式和数据驱动的替代方法证明了低维基础或学习映射能够捕捉关键的微观结构响应[29]、[30]、[31]、[32]、[33]。最近的进展还包括有限变形下的FE2超简化[34]以及复杂微观结构的二阶/结构增强均匀化方案[16]、[17]。同时,针对具有周期性微观结构的非线性粘弹性复合材料,引入了二阶简化多尺度策略[35];基于力学的或神经常微分方程的本构替代方法不断扩展了多尺度模型简化的应用范围[36]、[37]、[38]、[39]、[40]、[41]、[42]、[43]、[44]。补充的通用微分方程方法将神经组件与控制方程结合,以识别或细化粘弹性本构律[45]。特别是对于FE2加速,还报道了针对多孔弹性体的时变数据驱动均匀化替代方法[46]。物理信息神经网络(PINNs)[47]及相关学习框架在处理多物理场和数据稀缺问题时也显示出潜力,包括通过傅里叶 warm starts 进行多频率学习[48]、在随机异质材料中进行全场应力预测[49],以及在两相随机材料中进行性能评估的混合形式PINNs[50]。更广泛的数据驱动控制和学习流程——PINN-深度强化学习跟踪[51]、梯度增强PINNs[52]以及针对时变偏微分方程的主动学习[53]——强调了物理约束与现代学习的日益融合。
这些发展表明,机器学习和降阶建模可以减轻重复RVE计算的负担。尽管取得了进展,但FE2在处理时变问题时仍然计算量较大。每个宏观时间步都会触发许多微观RVE求解;为替代模型生成训练数据又增加了额外的离线负担。同时,大多数数据驱动的多尺度研究都针对超弹性或弹塑性行为,而线性粘弹性材料的研究相对较少。这些不足激发了我们的研究,该方法通过在频域中进行操作、利用POD压缩RVE响应、用DNN学习谱以及通过IFFT重建时间信号来专门降低微观本构响应评估的成本。
**本文结构**
第2节详细介绍了模型训练、超参数优化以及提出的微观响应预测框架及其神经网络辅助的降维框架,包括频域数据如何转换为时域预测的更新流程图。这包括离线数据生成、降维步骤和最终的在线重建过程。第3节通过数值实验验证了该方法的准确性和鲁棒性,涵盖了不同的微观结构配置和加载场景。第4节提供了专门的误差分析;第5节总结了主要发现并概述了未来的研究方向。
**标准FE2框架概述**
本文使用的符号汇总见表1。有限元平方(FE2)用于描述异质材料的线性响应,假设微观结构和宏观结构之间存在明确的尺度分离,并在两个层次上同时进行计算,如图1所示。在每个宏观积分点N,会在相应的RVE上求解一个微观边界值问题,然后将均匀化响应返回到宏观尺度。这种转换使得在RVE内准确重建微观应力场成为可能。IFFT促进的高效计算确保了整个多尺度分析过程中的计算效率和物理准确性。
使用方程(33),可以如下获得均匀化松弛模量:
**Epredt = F^(-1)(iω)^(-1)Epredω ∈ RP×P**
**验证**
为了验证所提出方法的有效性和多功能性,分析了三种具有不同微观结构特征的RVE模型。这些模型包括椭球形、球圆柱形和多种微观结构夹杂物,旨在涵盖不同级别的几何诱导方向依赖性和几何复杂性。目标是评估该方法处理不同夹杂物几何形状和大尺度问题的准确性、效率和鲁棒性。
**误差分析**
本节通过误差分析验证了所提出方法的鲁棒性,重点关注三个方面:POD模式截断误差和IFFT的噪声敏感性。分析是在第3.1节描述的椭球形夹杂物模型上进行的。
**结论**
本研究提出了一种新颖的微观响应预测方法,该方法结合了POD和DNN,称为神经网络辅助的降维方法,用于桥接粘弹性材料分析中的频率域和时域。该方法利用FEA获得的微观数据,通过POD降低复杂性,并使用DNN准确重建宽频率范围内的应力场。随后应用IFFT可以恢复时域响应。
**作者贡献声明**
沈贤钟:撰写——原始草案、软件开发、研究、形式分析。
李元珠:软件开发、研究。
申贤成:撰写——审稿与编辑、监督、方法论、资金获取、概念构思。
**利益冲突声明**
作者声明没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
**致谢**
本研究得到了韩国国家研究基金会(NRF)的资助(由韩国政府(MSIT)提供,项目编号2021R1C1C1004353)。
生物通微信公众号
生物通新浪微博
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