采用层级物理循环神经网络(Hierarchical Physically Recurrent Neural Network, HPRNN)的机织复合材料多尺度分析

《COMPUTER METHODS IN APPLIED MECHANICS AND ENGINEERING》:Multiscale analysis of woven composites using hierarchical physically recurrent neural networks

【字体: 大 中 小 】 时间:2026年04月03日 来源:COMPUTER METHODS IN APPLIED MECHANICS AND ENGINEERING 7.3

编辑推荐:

  机织复合材料(woven composites)的多尺度均匀化(multiscale homogenization)需进行细致的微力学评估,导致计算成本极高。基于神经网络的 data-driven 替代模型(surrogate models)可解决此难题,但通

  
机织复合材料(woven composites)的多尺度均匀化(multiscale homogenization)需进行细致的微力学评估,导致计算成本极高。基于神经网络的 data-driven 替代模型(surrogate models)可解决此难题,但通常存在大数据需求量大、可解释性差及外推能力弱等问题。本研究提出一种层级物理循环神经网络(Hierarchical Physically Recurrent Neural Network, HPRNN),采用两级替代建模:首先训练物理循环神经网络(Physically Recurrent Neural Network, PRNN)利用微力学数据捕捉经纱(warp)和纬纱(weft yarns)的非线性弹塑性(elasto-plastic)行为;在第二级尺度过渡(meso-to-macroscale model)中,将经纱与纬纱替代模型同基体本构模型集成于物理编码(physics-encoded)介观到宏观模型中,将物理性质直接嵌入隐空间(latent space)。采用 HPRNN 可避免纯 data-driven 循环神经网络及 Transformer 网络中常出现的非物理预测行为,并在复杂循环加载条件下具备更优泛化能力。该框架为机织复合材料的多尺度建模提供了计算高效且可解释的解决方案。
论文解读:采用层级物理循环神经网络(Hierarchical Physically Recurrent Neural Network, HPRNN)的机织复合材料多尺度分析
研究背景与意义
传统机织纤维增强聚合物复合材料(woven fiber-reinforced polymer composites)的多尺度均匀化需经历微观(纤维—基体相互作用)、介观(纱线作为均质连续体)至宏观(层合板视为正交各向异性连续体)的三级跨越。全阶计算方法如FE2(延伸至FE3)需在宏观高斯点逐时间步求解低尺度边值问题,计算量 prohibitive。纯数据驱动替代模型(如前馈网络、GRU、LSTM、Transformer)虽加速计算,但依赖大量训练数据、缺乏物理约束导致外推时产生非物理响应(如虚假软化),且为黑箱模型难以解释。物理信息神经网络(Physics-Informed Neural Networks, PiNNs)通过损失函数加入物理方程,但对损失项权重敏感;物理编码神经网络(physics-encoded neural networks)将本构关系直接植入网络架构更为稳健。已有物理循环神经网络(Physically Recurrent Neural Network, PRNN)在单向复合材料单尺度过渡中验证有效,但尚未拓展至机织复合材料双尺度层级结构。本文发表于《COMPUTER METHODS IN APPLIED MECHANICS AND ENGINEERING》。
主要关键技术方法
研究人员采用Digimat-FE建立三维单向复合材料微观RVE(纤维体积分数Vf=54%)及平纹机织介观RVE(平衡编织,含纱线卷曲),周期性边界条件施加宏观应变控制载荷。微观数据集(500样本)由微观FE模拟J2弹塑性基体(线性—指数硬化)与线弹性纤维生成;介观数据集(400样本)由基于Mean-Field Homogenization(MFH)的FFT法生成随机游走(random-walk)六维应变路径及循环剪切载荷用于外推测试。PRNN架构含编码器(局部化/下缩放)、材料层(虚构材料点嵌入J2弹塑性本构更新内变量如等效塑性应变)及解码器(体积平均/均匀化,权重经SoftPlus保证非负),冻结预训练PRNN作为HPRNN介观材料层中经/纬纱模块,辅以90°张量旋转处理正交各向异性,基体模块直接嵌入相同J2模型,HPRNN经meso-to-macro尺度训练(MSE损失,Adam优化,早停)。对比基准含三层GRU(hidden size 512, dropout 0.5, AdamW)及多层Transformer(经超参搜索优选)。
研究结果
6.1. Microscale yarn RVE performance(微尺度纱线RVE性能)
研究人员通过敏感性分析确定微观PRNN取6个虚构材料点(共36神经元)可在精度与耗时间取得平衡,经/纬向平均相对误差分别约3.8%与3.5%。PRNN预测与有限元参考吻合良好且可外推至标准单调加载,优于基于Mori-Tanaka的Mean-Field Homogenization(MFH)。嵌入J2回映算法(return-mapping)的内变量(等效塑性应变)随加载历程合理演化,证明网络遵循经典塑性更新法则。
6.2. Mesoscale woven RVE surrogate performance(介观机织RVE替代模型性能)
HPRNN介观网络经200个随机游走样本训练选定3个模块组(每组含2基体点+2经纱PRNN+2纬纱PRNN,共18模块)为最优。在未见随机加载测试集上,HPRNN与GRU预测von Mises应力误差相当;HPRNN在面外法向应力σ6、面内剪切σ4/σ5分量平均绝对误差低于GRU(σ6:0.03 vs 0.44 MPa)。Transformer即便训练样本加倍仍表现最差,误差标准差最大。
6.3. Extrapolation capability: HPRNN vs. GRU and transformer(外推能力:HPRNN对比GRU与Transformer)
训练中未包含的循环剪切载荷外推测试中,GRU出现非物理软化及滞回曲线峰值漂移;Transformer同样无法复现正确弹塑性滞回。HPRNN因物理编码循环结构(显式存储并更新内变量)严格遵循弹塑性本构规律,避免非物理解,准确预测单周及多周循环滞回响应,表现出最优外推稳健性。
6.4. Limitations and strengths(局限性与优势)
HPRNN优势为物理一致性、少数据需求、抗非物理外推;局限性含当前针对固定几何(体积分数、编织参数)需重新训练,不如纯数据驱动模型直接兼容几何参数输入,且介观训练数据源自含MFH近似的FFT模拟,与微观PRNN训练所用全阶FE存在尺度过渡不一致,未来需用真正FE2验证量化此偏差。框架具模块化扩展性,可追加损伤、动力效应等内变量。
讨论与结论翻译
本研究提出层级物理循环神经网络(Hierarchical Physically Recurrent Neural Network, HPRNN)作为一种高效物理编码框架用于机织复合材料建模。HPRNN结合数据驱动学习与物理原理,通过集成预训练的经/纬纱PRNN及基体J2弹塑性本构模型捕捉微观行为并传递至介观尺度。与传统依懒隐状态的GRU及Transformer相比,HPRNN凭借物理编码循环设计规避外推中非物理行为。关键发现如下:GRU与HPRNN在随机加载下表现相近,但在训练未涵盖的循环加载中HPRNN通过物理一致应力—应变演化防止非物理软化,显著优于GRU;Transformer因缺乏本构记忆机制不适用于此类路径依赖材料行为。未来研究应拓展HPRNN对微观几何(体积分数、增强形貌)的泛化能力及纳入损伤、动力效应与纤维各向异性,并通过并行化提升工业级大规模问题适用性。HPRNN为机织复合材料多尺度建模提供比传统data-driven均匀化更具物理一致性的加速途径,对工程设计、材料优化及真实工况下复合材料行为预测具有重要价值。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号