.png){kind=icon}
返回
A texture-dependent yield criterion based on Support Vector Classification
.png){kind=icon}
OA
AI
DOI：10.1016/j.ijplas.2025.104311.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
传统的各向异性塑性屈服准则依赖于应力张量的线性变换，将屈服起始时的临界应力张量的方向依赖性映射到应力空间中的单位球面上。这些线性变换通过一系列各向异性参数实现材料特定化，这些参数需要通过实验程序确定每种材料。这种方法的一个缺点是这些各向异性参数无法明确表示为晶体学织构的函数。因此，材料织构的任何变化（例如在冷变形过程中发生的变化）都需要对屈服函数进行完全重新参数化。在本工作中，我们提出了一种基于支持向量分类（SVC）的数据导向型屈服准则，该准则明确取决于晶体学织构。这种织构依赖性是通过将取向分布函数（ODF）的一般球谐函数（GSH）级数展开的系数纳入机器学习模型的特征空间来实现的。通过在包含来自8000多种不同立方-正交织构的微观力学数据的数据库上训练模型，展示了所提出的屈服准则的能力。训练后的SVC结合了经典唯象模型的效率与复杂计算物理（CP）模型的灵活性。它为高效的分层材料建模提供了一条途径，因为宏观屈服起始的各向异性被明确地与晶体学织构联系起来。
Keyword:
Anisotropy
Crystallographic texture
Data-driven plasticity
Micromechanics
Multi-scale modeling
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
12.8
论文数:
4.1K
被引数:
2.5W
机构
暂无机构信息
引用论文
Active learning for the design of polycrystalline textures using conditional normalizing flows.png)
ACTA MATERIALIA
ACTA MATERIALIAIF9.3
PREAI
分享收藏分享收藏An isoparametric piecewise representation of the anisotropic strength of polycrystalline solids
PREAI
分享收藏Orientation distribution and orientation correlation functions for description of microstructures
PREAI
分享收藏
查看更多内容