Обобщенное глубокое обучение
Том 13 научных докладов, номер статьи: 9079 (2023) Цитировать эту статью
716 Доступов
1 Альтметрика
Подробности о метриках
Использование суррогатных моделей на основе сверточных нейронных сетей (CNN) значительно возрастает в анализе микроструктуры и прогнозировании свойств. Одним из недостатков существующих моделей является ограниченность подачи существенной информации. В этом контексте разработан простой метод кодирования свойств материала в изображение микроструктуры, так что модель изучает информацию о материале в дополнение к взаимосвязи структура-свойство. Эти идеи демонстрируются путем разработки модели CNN, которую можно использовать для армированных волокном композиционных материалов с соотношением модулей упругости волокна к матрице от 5 до 250 и объемной долей волокна от 25 до 75%, которые охватывают сквозной диапазон. -конец практического диапазона. Кривые сходимости обучения со средней абсолютной процентной ошибкой в качестве интересующей метрики используются для поиска оптимального количества обучающих выборок и демонстрации производительности модели. Общность обученной модели демонстрируется посредством ее прогнозов на совершенно невидимых микроструктурах, образцы которых взяты из экстраполированной области объемных долей волокон и контрастов модулей упругости. Кроме того, чтобы сделать прогнозы физически допустимыми, модели обучаются путем соблюдения границ Хашина – Штрикмана, что приводит к повышению производительности модели в экстраполируемой области.
Модели машинного обучения (МО), особенно их подобласти искусственных нейронных сетей (ИНС), оказались ценными инструментами при проектировании и анализе композитных материалов1,2,3. Во-первых, эти модели разрабатываются путем обучения на основе данных, полученных в результате моделирования или собранных в ходе экспериментов. Позже, во время развертывания, эта модель используется для получения выводов о любой точке данных с теми же характеристиками, что и те, которые использовались во время обучения. Как правило, первоначальный процесс разработки модели включает в себя вычислительные затраты (память и время) для генерации данных и обучения модели. Ожидаемое преимущество состоит в том, что с помощью разработанной модели прогнозы можно делать в значительно более короткие сроки. Здесь количество баллов, необходимое для обучения модели, зависит от множества факторов, таких как объем предварительных знаний о системе, используемой в процессе обучения4, сложность связи ввода-вывода и ожидаемая точность модели. Активные исследования сосредоточены на использовании известных физических явлений, таких как управляющие или определяющие уравнения, во время обучения модели. В этом направлении большое внимание привлекли нейронные сети с учетом физики (PINN)5,6,7 для точного решения уравнений базовой физики. Выборка входных данных на основе знаний — это еще один способ использования физики проблемы при обучении модели8,9. В дополнение к получению предварительных знаний важную роль в эффективном и легком обучении играет тип архитектуры ИНС. Некоторые из успешных архитектур ANN включают в себя; сверточные нейронные сети (CNN) для данных типа изображения, рекуррентные нейронные сети (RNN) для последовательных или временных данных и генеративно-состязательные сети (GAN) для изучения распределения заданных данных.
Оценка свойств композиционных материалов является нетривиальной задачей из-за неоднородностей на различных масштабах и статистического характера распределения и морфологии составляющих. Поскольку экспериментальные методы трудоемки и экономически затратны, разрабатываются аналитические решения для определения свойств эквивалентного гипотетического однородного материала, который реагирует аналогично композитному материалу. Эти решения получены при определенных предположениях и поэтому применимы только к более простым случаям с ограничениями на геометрию и распределение составляющих. Эти недостатки можно устранить с помощью гомогенизации на основе анализа методом конечных элементов (FEA)10,11, при которой несколько краевых задач решаются на репрезентативном элементе объема (RVE) с использованием различных вариантов нагрузки. Некоторые варианты этого традиционного подхода FEA12,13 разработаны для снижения вычислительных затрат. Например, гомогенизация на основе вариационного асимптотического метода (VAM) дает эффективную матрицу материала с использованием одного анализа методом конечных элементов без какой-либо постобработки, в отличие от решения нескольких случаев с одинаково трудоемкими этапами постобработки в традиционном подходе. Тем не менее, требуемое вычислительное время и ресурсы достаточно значительны, чтобы замедлить поиск лучших композитных материалов. Следовательно, проводятся активные исследования по объединению вычислительной микромеханики и методов искусственного интеллекта (ИИ), управляемых данными, для создания суррогатных моделей6,7,14,15,16,17.