Peridynamics-enabled sequential learning for predicting nonlinear crack propagation

doi:10.1016/j.ijmecsci.2026.111970

Peridynamics-enabled sequential learning for predicting nonlinear crack propagation

2026-08-01

0

PRE

AI

DOI：10.1016/j.ijmecsci.2026.111970

原文链接

原文求助

摘要

En 中文

预测非线性裂纹扩展仍是断裂力学中的一个基本挑战，因其具有强烈的路径依赖性、几何非线性和对演化应力场的敏感性。尽管近场动力学（PD）为断裂建模提供了物理一致的框架，但其高计算成本限制了其在大型和长期问题中的应用。本研究开发了一种基于PD的顺序代理框架，将PD生成的裂纹尖端轨迹数据与长短期记忆（LSTM）网络相结合，用于快速裂纹轨迹预测。关键创新在于将裂纹扩展重新表述为轨迹演化问题，而非传统的静态映射任务。从PD模拟中提取的裂纹尖端轨迹通过等弧长重采样和增量位移编码进行表示，使LSTM模型能够学习PD解析的裂纹路径演化中的顺序相关性。通过利用顺序学习，所提出的方法能够捕捉裂纹演化固有的时间依赖性和路径依赖行为。该框架准确再现了复杂的断裂现象，包括分支后的轨迹延续、大角度转向和混合模式传播，在多个基准问题中，累积平均预测误差低于总裂纹长度的8%。此外，其计算加速比全PD模拟最高达3倍。这些结果表明，基于PD的轨迹延续代理和顺序学习为断裂预测提供了一种有效且可扩展的范式，突显了轨迹表示和时间结构在连接数据驱动方法与计算力学中的关键作用。

Keyword:

Peridynamics

Machine learning

Crack trajectory prediction

Long short-term memory

Efficiency

Peridynamics-enabled sequential learning for predicting nonlinear crack propagation

摘要

期刊

机构

引用论文