IJP:塑性和热粘塑性的深度学习框架

文摘   2024-10-23 21:00   四川  
来自美国伊利诺伊大学厄巴纳-香槟分校的Diab W. Abueidda等人应用了各种序列学习模型来几乎立即预测一类晶格材料的历史相关响应(应力和能量),这些模型考虑了大量的温度、时间和路径依赖以及相变。结果证明,门控循环单元(GRU)和时间卷积网络(TCN)都可以准确地学习并几乎立即预测这些不可逆的、历史和时间相关的现象,而TCN在训练过程中更具计算效率。

图1:说明性示例的流程图。序列学习模型试图在给定未变形的晶体材料和变形路径的情况下提取平均应力和塑性能。

图2:使用基于TCN的模型预测温度和应力的数据集示

相关研究成果以“Deep learning for plasticity and thermo-viscoplasticity”为题发表在International Journal of Plasticity 136 (2021) 102852,论文第一作者为Diab W. Abueidda,通讯作者为Seid Koric

论文链接: 

https://doi.org/10.1016/j.ijplas.2020.102852

多尺度力学
西南交通大学多尺度力学研究组维护
 最新文章