《INTERNATIONAL JOURNAL OF MECHANICAL SCIENCES》：Physics-informed temporal convolutional networks for composite constitutive modeling
编辑推荐：
研究人员提出了一种物理信息时序卷积网络(Physics-informed Temporal Convolutional Network, PITCN)框架，用于随机载荷路径下复合材料的高效本构建模。该框架的核心贡献在于：利用时序卷积网络(Temporal Co
研究人员提出了一种物理信息时序卷积网络(Physics-informed Temporal Convolutional Network, PITCN)框架，用于随机载荷路径下复合材料的高效本构建模。该框架的核心贡献在于：利用时序卷积网络(Temporal Convolutional Network, TCN)将历史应力—应变序列编码为材料状态向量，随后通过全连接网络映射以近似亥姆霍兹自由能(Helmholtz free energy)函数，再借助自动微分(Automatic Differentiation)推导本构关系。为保障不可逆变形下的热力学一致性，在损失函数中引入惩罚项以强制自由能及耗散能的非负性。PITCN框架的关键优势在于，训练过程中无需依赖实验中无法获取的自由能或内变量(Internal State Variables, ISVs)即可实现高精度预测。该方法通过用户材料子程序(User Material Subroutine, UMAT)高效嵌入ABAQUS软件，实现与有限元求解器的无缝耦合。研究人员在材料点层面及任意加卸载工况下的结构仿真中，系统评估了PITCN的性能，并与传统多尺度方法及试验测试进行对比验证。结果表明，相比传统多尺度方法，PITCN在结构应用中实现了19倍的加速与107倍的内存缩减，同时保持相当的精度。
本文解读对象为发表于《INTERNATIONAL JOURNAL OF MECHANICAL SCIENCES》的论文"Physics-informed temporal convolutional networks for composite constitutive modeling"。
研究背景与意义：
复合材料在航空航天、汽车及海洋工程中应用广泛，其各向异性非弹性响应源于细观微观结构及各相本构行为，故需多尺度分析。常用的FE2并发多尺度方法虽精确，但计算成本极高，难以用于大规模结构仿真。为减负，降阶方法如自洽聚类分析(Self-Consistent Clustering Analysis, SCA)、本征正交分解(Proper Orthogonal Decomposition, POD)等被提出，但往往牺牲精度，尤其在高纤维体积分数下因纤维间强相互作用而性能下降。近年深度神经网络(DNN)被用于本构建模，可捕捉非线性且降成本，但全连接网络不擅长处理与路径相关的历史依赖型序列数据，通常需假设或监督实验中不可测的内变量，限制普适性。循环神经网络(RNN/LSTM/GRU)可建模历史相关性，但对长序列存在梯度消失/爆炸问题；Transformer架构虽表现良好，但自注意力机制的计算与内存复杂度随序列长度呈二次方增长，不利于有限元框架内高效实现。时序卷积网络(Temporal Convolutional Network, TCN)利用膨胀卷积(Dilated Causal Convolution)与残差连接，在序列建模上优于RNN且具线性复杂度，但目前多限于均质材料一维加载，尚未作为复合材料本构建模及结构分析的替代模型。为此，研究人员提出物理信息时序卷积网络(PITCN)框架，将其嵌入ABAQUS进行复合材料非线性弹塑性本构建模与加速结构仿真。
主要关键技术方法：
研究人员以周期性均匀化理论为基础，构建由两部分组成的PITCN：①时序卷积网络(TCN)处理应变历史序列并提取材料状态向量；②全连接网络以该状态向量为输入预测亥姆霍兹自由能函数ψ，通过自动微分对应变求偏导得到应力（?ψ/?ε），满足热力学框架。损失函数中除数据拟合项外，加入惩罚项约束自由能非负及耗散能(Dissipation Energy)非负以保证热力学容许性(Thermodynamic Admissibility)。微观代表性体元(Representative Volume Element, RVE)有限元模拟生成的随机加卸载应力—应变历程用作训练数据。训练完成后编写用户材料子程序(UMAT)嵌入ABAQUS实现FE×PITCN耦合。分别采用体积分数46%硼/铝(B/Al)单向纤维增强复合材料（硼纤维弹性、铝基体经典弹塑性）及体积分数21%碳化硅颗粒增强铝(SiC/Al)颗粒复合材料（SiC弹性、Al基体弹塑性）进行验证，并对照Becker及Chen等人报道的试验数据。
研究结果：
Unidirectional Composites（单向复合材料）：
研究人员以46%纤维体积分数的单向B/Al复合材料为对象，TCN编码加载历史捕获材料状态，FCN预测自由能并自动微分得应力。与微观RVE直接数值模拟对比，PITCN在任意加卸载路径下的应力预测与参考解吻合良好，证明框架可有效表征单向复合材料非线性的弹塑性响应且无需内变量监督。
Particulate composites（颗粒增强复合材料）：
在三维多轴载荷下对21%体积分数SiC/Al颗粒增强复合材料进行测试。FE×PITCN结构仿真结果与微观多尺度计算高度一致，表明PITCN可作为三维颗粒复合材料在复杂多轴受力状态下的高效替代本构模型。
Experimental validations（试验验证）：
将FE×PITCN预测结果与Becker报道的单向B/Al狗骨试件单轴及偏轴拉伸试验、Chen等人报道的SiC/Al颗粒复合材料拉伸试验结果对比，预测曲线与试验测量数据吻合，进一步从物理试验层面验证了PITCN本构模型的可靠性。
讨论与结论（译自原文Conclusions）：
研究人员开发了一种物理信息时序卷积网络(PITCN)框架，用于复合材料及结构非线性弹塑性行为的数据驱动建模。其核心贡献是在热力学框架内将时序卷积网络与全连接神经网络相结合，可在复杂载荷路径下精确预测复合材料本构关系。此外，关联的热力学容许条件通过惩罚项予以保证。该框架仅需可测的应力—应变历史进行训练，无需自由能或内变量的监督信息。通过与ABAQUS的用户材料子程序无缝集成，PITCN在保持与传统多尺度方法相当精度的前提下，于结构应用中实现约19倍加速与107倍内存降低，为复合材料大型结构的高效本构建模与仿真提供了可行途径。
