Fracture-parameter inversion from DIC displacement fields using finite-element complex-network graph learning

Chen, Youbin

doi:10.1016/j.tafmec.2026.105906

Fracture-parameter inversion from DIC displacement fields using finite-element complex-network graph learning

2026-08-01

0

PRE

AI

DOI：10.1016/j.tafmec.2026.105906

原文链接

原文求助

摘要

En 中文

从数字图像相关（DIC）位移场中识别断裂参数通常依赖于裂纹尖端的局部渐近场拟合，因此对裂纹尖端定位、拟合窗口选择和测量噪声敏感。传统的数据驱动模型使用常规像素表示，无法显式描述空间离散化中嵌入的力学耦合。本研究提出了一种有限元-复杂网络图学习（FE-CN）反演方法。Q4单元作为局部力学前端，并从疲劳裂纹DIC数据构建了三个尺度的宏观图，分别为8×8、16×16和32×32。将双通道位移场、裂纹尖端几何形状、加载信息以及有限元导出的应变、应力、应变能和内力集中代理组织成刚度耦合网络，用于联合识别I型应力强度因子KI和非奇异T应力。结果表明，在一致条件下训练的FE-CN在两个参数上都优于深度学习基准。预测性能随图尺度细化而改善并趋于稳定，T应力的改善更为显著，且有限元节点力学特征是精度提升的主要来源。KI对空间分散测量点的缺失信息更敏感，而T应力对裂纹尖端区域的缺失信息反应更强。受控弹塑性敏感性分析和独立DIC数据集的外部测试进一步明确了该方法材料响应和跨域适用性边界。本研究为DIC视场完整性检查、裂纹尖端附近斑点质量控制以及断裂参数批量识别提供了结构化基础。

Keyword:

Digital image correlation

Fatigue crack

Fracture-parameter inversion

Finite-element complex network

Stress intensity factor

Fracture-parameter inversion from DIC displacement fields using finite-element complex-network graph learning

摘要

期刊

机构

引用论文