.png){kind=icon}
返回
A deep learning based framework for predicting temperature-dependent mesomechanical fields in particulate composites
.png){kind=icon}
PRE
AI
DOI：10.1016/j.compstruct.2025.119930.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究提出了一种基于深度学习（DL）的框架，通过为有限元（FE）分析提供代理模型，以准确预测具有复杂微观结构的颗粒复合材料的温度依赖性介观场。该框架首先引入了一种空间注意力U-Net（SA-UNet），将空间注意力（SA）模块集成到U-Net架构中以增强特征提取能力，特别是在机械关键区域。此外，提出了一种所谓的温度导向迁移学习方法，通过有限数据对预训练模型进行微调，以实现不同温度下温度依赖性机械响应的预测。为快速创建训练数据，开发了一种基于Voronoi的像素化微观结构建模方法，该方法能够高效生成具有高填充率和复杂微观形貌的颗粒复合材料的微观结构表征。通过预测沥青混凝土微观结构中粒子面积分数在37.6%至61.8%范围内变化的温度依赖性von Mises应力分布，验证了该框架的有效性。SA-UNet在所有考虑的温度下均优于标准U-Net，展示了SA模块在捕获粒子间及粒子-基体相互作用机制中的关键作用。与从头训练SA-UNet相比，所提出的迁移学习方法实现了更高的预测精度，收敛速度提升7.5倍，同时使数据需求减少80%。
期刊
IF:
7.1
论文数:
1.8W
被引数:
8.0W
机构
引用论文
Microstructural characterisation of fibre-hybrid polymer composites using U-Net on optical images
PREAI
分享收藏Difference-based deep learning framework for stress predictions in heterogeneous media.png)
COMPOSITE STRUCTURES
OAAI
COMPOSITE STRUCTURESIF7.1
OAAI分享收藏分享收藏A comprehensive study on the effective thermal conductivity of random hybrid polymer composites无规杂化聚合物复合材料有效导热系数的综合研究
PREAI
分享收藏
查看更多内容