基于物理原理的生成式替代建模方法，用于预测Al/SiC纳米复合材料的整体塑性行为

《ADVANCED ENGINEERING INFORMATICS》：Physics-guided generative surrogate modeling for full-field plasticity prediction in Al/SiC nanocomposites

　　

乌蒂韦·以西结|恩贾马穆尔·霍克|奥萨马·阿尔贾拉|李军|阿尔法·赫里尤多诺|黄文珍

摘要

在计算工程领域中，准确预测异质材料的全场非线性力学响应仍是一项重要挑战，因为传统的有限元分析方法在处理大规模设计和分析任务时成本过高。本研究提出了一种基于物理原理的条件生成对抗网络框架，用于预测铝-碳化硅纳米复合材料在剪切载荷作用下的全场非线性塑性应变分布。通过对称一致性数据增强方法将边界值问题的物理对称性特性融入其中，该模型能够学习从微观结构几何形态到局部塑性模式的稳健映射关系，包括明显的剪切带以及纤维与基体的相互作用。该框架在多种复杂程度的微观结构上均得到了验证，20根纤维系统的决定系数高达0.99，而57根纤维这种更为复杂的系统则能达到0.96，同时在不同区域内的全局平均平方误差也很低。一旦训练完成，该模型就能在几毫秒内输出全场预测结果，相比传统有限元分析速度提升了多个数量级。本研究通过展示生成式人工智能结合符合物理原理的训练数据和框架，如何将非线性场预测转变为一种计算效率高且可扩展的分析任务，从而推动了工程信息学的发展。所提出的方法有助于数字孪生技术的开发、设计优化、预测性维护，以及先进制造和结构分析中的实时决策支持。