.png){kind=icon}
返回
Lightweight return-mapping surrogates for multiscale plasticity: a practical guide
.png){kind=icon}
OA
AI
DOI：10.1007/s00466-026-02849-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种构建轻量化神经网络代理模型的方法，用于并发多尺度（FE2）模拟中的塑性回映过程。我们并未提出新的网络架构，而是展示如何使用一个结构简单的前馈网络（其结构模仿了经典的回映更新过程）来替代传统FE2方案中基于中尺度快速傅里叶变换（FFT）均质化的高成本嵌套细尺度求解。我们详细阐述了完整的工作流程：从增量均质化分析中生成训练数据，构建紧凑且充分的训练集，将材料对称性直接嵌入映射过程，并将训练好的网络部署为标准有限元求解器中的用户定义材料子程序（UMAT）——从而实现广泛应用。一项敏感性研究考察了模型对数据密度、增量大小和网格细化的鲁棒性，并确定了代理模型适用的范围及其失效区域。对于本文考虑的宏观各向同性二维平面应力设置，代理模型在再现参考响应的同时，将每次分析的成本从小时级降至秒级，速度提升高达30,000倍，超过标准FE2方法。此外，通过消除存储和更新大量细观状态变量的需求，它大幅降低了内存需求，并允许使用原本不可能实现的显著更精细的有限元离散化。该方法在适当的采样策略和训练集支持下，自然地可扩展至三维以及更弱的对称性假设。
Keyword:
Deep learning
Neural network surrogate
Data-driven plasticity
Plastic return-mapping
Concurrent multiscale simulation
FFT-based homogenization
期刊
IF:
3.8
论文数:
3.2K
被引数:
9.0K
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
FEANN: an efficient data-driven multiscale approach based on physics-constrained neural networks and automated data miningFEANN: 一种基于物理约束神经网络和自动数据挖掘的高效数据驱动多尺度方法OAAI
OAAI分享收藏Constitutive modeling of plastic deformation behavior of open-cell foam structures using neural networks使用神经网络对开孔泡沫结构的塑性变形行为进行本构建模
PREAI
分享收藏
查看更多内容