Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Đánh giá hiệu suất của các phương pháp học sâu trong việc dự đoán các trường cơ học trong vật liệu composite
Engineering with Computers - 2024
Tóm tắt
Bài báo này trình bày một phương pháp nghiêm ngặt và mang tính phê bình để đánh giá hiệu suất của các kỹ thuật học sâu (DL) trong việc dự đoán các phản ứng cơ học trong đại diện vi cấu trúc của các vật liệu composite. Trong vài năm qua, học sâu đã trở thành một công cụ mạnh mẽ và là một phương pháp thay thế hiệu quả cho phân tích phần tử hữu hạn trong cơ học tính toán. Nghiên cứu này giải quyết các câu hỏi liên quan đến tính thích hợp của các thước đo sai số thông thường trong việc đánh giá độ chính xác của các kỹ thuật DL trong việc dự đoán phản ứng cơ học toàn vùng của các vật liệu composite. Thông qua phân tích so sánh, chúng tôi đánh giá hiệu suất và xác định những hạn chế của hai khuôn khổ DL trong việc dự đoán phân bố ứng suất von Mises tuyến tính trong vi cấu trúc của vật liệu composite gia cố bằng sợi được chọn. Phương pháp DL đầu tiên dựa trên mạng dư thừa, trong khi phương pháp thứ hai sử dụng kiến trúc U-Net. Chúng tôi sử dụng vài thước đo đánh giá, bao gồm các loại sai số khác nhau và các chỉ số thống kê để xem xét tính thích hợp của chúng. Thêm vào đó, nghiên cứu này cũng điều tra ảnh hưởng của kích thước tập dữ liệu huấn luyện và xác thực, dao động từ 50 đến 2000 mẫu, đến hiệu suất dự đoán của các phương pháp dựa trên ResNet và U-Net được sử dụng.
Từ khóa
#học sâu #phản ứng cơ học #vật liệu composite #mạng dư thừa #kiến trúc U-Net #phân bố ứng suất von MisesTài liệu tham khảo
Wang Y, Oyen D, Guo WG, Mehta A, Scott CB, Panda N, Fernández-Godino MG, Srinivasan G, Yue X (2021) StressNet—deep learning to predict stress with fracture propagation in brittle materials. npj Mater Degrad 5(1):1–10. https://doi.org/10.1038/s41529-021-00151-y
Jiang H, Nie Z, Yeo R, Farimani AB, Kara LB (2021) StressGAN: a generative deep learning model for two-dimensional stress distribution prediction. J Appl Mech 88(5):051005. https://doi.org/10.1115/1.4049805
Feng H, Prabhakar P (2021) Difference-based deep learning framework for stress predictions in heterogeneous media. Compos Struct 269:113957. https://doi.org/10.1016/j.compstruct.2021.113957
Bhaduri A, Gupta A, Graham-Brady L (2022) Stress field prediction in fiber-reinforced composite materials using a deep learning approach. Compos B Eng 238:109879. https://doi.org/10.1016/j.compositesb.2022.109879
Yang Z, Yu CH, Guo K, Buehler MJ (2021) End-to-end deep learning method to predict complete strain and stress tensors for complex hierarchical composite microstructures. J Mech Phys Solids 154:104506. https://doi.org/10.1016/j.jmps.2021.104506
Nie Z, Jiang H, Kara LB (2020) Stress field prediction in cantilevered structures using convolutional neural networks. J Comput Inf Sci Eng 20(1):011002. https://doi.org/10.1115/1.4044097
Ammasai Sengodan G (2021) Prediction of two-phase composite microstructure properties through deep learning of reduced dimensional structure-response data. Compos B Eng 225:109282. https://doi.org/10.1016/j.compositesb.2021.109282
Sepasdar R (2021) A deep learning approach to predict full-field stress distribution in composite materials. Thesis, Virginia Tech
Yang Z, Yu CH, Buehler MJ (2021) Deep learning model to predict complex stress and strain fields in hierarchical composites. Sci Adv 7(15):eabd7416. https://doi.org/10.1126/sciadv.abd7416
Maurizi M, Gao C, Berto F (2022) Predicting stress, strain and deformation fields in materials and structures with graph neural networks. Sci Rep 12(1):21834. https://doi.org/10.1038/s41598-022-26424-3
Gupta A, Bhaduri A, Graham-Brady L (2023) Accelerated multiscale mechanics modeling in a deep learning framework. Mech Mater. https://doi.org/10.1016/j.mechmat.2023.104709
He K, Zhang X, Ren S, Sun J (2016) Deep residual learning for image recognition. In: 2016 IEEE conference on computer vision and pattern recognition (CVPR), pp 770–778. https://doi.org/10.1109/CVPR.2016.90
Ronneberger O, Fischer P, Brox T (2015) U-Net: convolutional networks for biomedical image segmentation. In: Navab N, Hornegger J, Wells WM, Frangi AF (eds) Medical image computing and computer-assisted intervention—MICCAI, pp 234–241. https://doi.org/10.1007/978-3-319-24574-4_28
Isola P, Zhu JY, Zhou T, Efros AA (2017) Image-to-image translation with conditional adversarial networks. In: 2017 IEEE conference on computer vision and pattern recognition (CVPR), pp 5967–5976. https://doi.org/10.1109/CVPR.2017.632
Hu J, Shen L, Sun G (2018) Squeeze-and-excitation networks. In: 2018 IEEE/CVF conference on computer vision and pattern recognition, pp 7132–7141. https://doi.org/10.1109/CVPR.2018.00745
Shakiba M, Brandyberry DR, Zacek S, Geubelle PH (2019) Transverse failure of carbon fiber composites: analytical sensitivity to the distribution of fiber/matrix interface properties. Int J Numer Meth Eng 120(5):650–665. https://doi.org/10.1002/nme.6151
Shakiba M (2021) Detecting transverse cracks initiation in composite laminates via statistical analysis of sensitivity data. Mech Res Commun 115:103701. https://doi.org/10.1016/j.mechrescom.2021.103701
Sepasdar R, Shakiba M (2022) Micromechanical study of multiple transverse cracking in cross-ply fiber-reinforced composite laminates. Compos Struct 281:114986. https://doi.org/10.1016/j.compstruct.2021.114986
Hernández L, Sepasdar R, Shakiba M (2020) Sensitivity of crack formation in fiber-reinforced composites to microstructural geometry and interfacial properties. In: American society for composites, thirty-fifth technical conference
Ayachit U (2015) The ParaView guide: a parallel visualization application. Kitware Inc, Clifton Park