一种基于物理增强的神经网络框架,用于建模和表征热粘塑性行为

《COMPUTER METHODS IN APPLIED MECHANICS AND ENGINEERING》:A physics-augmented neural network framework for modeling and characterizing thermo-visco-plastic behavior

【字体: 大 中 小 】 时间:2026年04月05日 来源:COMPUTER METHODS IN APPLIED MECHANICS AND ENGINEERING 7.3

编辑推荐:

  提出基于物理原理的神经网络框架(PANN),结合热力学第二定律和坐标不变性,解决温度与应变率依赖的塑性建模难题,实现从率无关弹塑性到粘塑性行为的准确预测与热效应分析。

  
Reese E. Jones | Asghar A. Jadoon | D. Thomas Seidl | Jan N. Fuhg
桑迪亚国家实验室,利弗莫尔,94551,加利福尼亚州,美国

摘要

尽管人们已经投入了大量精力来开发等温、速率无关的塑性模型,但许多高后果性能评估涉及会产生大量热量的粘塑性过程。此外,在这些过程中,材料可能会从几乎等温、速率无关的状态转变为粘性、温度相关的状态,这使得建模变得更加具有挑战性。在这项工作中,我们开发了一个基于物理原理的物理增强神经网络(PANN)框架,用于模拟一般的温度相关、速率相关的非弹性过程,这些原理包括热力学第二定律和坐标等变性。这些嵌入式特性是通过在输入凸函数和基于势的神经常微分方程(NODE)框架的结构和训练中进行的一系列创新实现的,包括自适应修正的耗散势和联合可观测-隐藏不变量。结果表明,该神经网络模型能够表示从等温、速率无关的弹塑性现象到速率相关的完全粘性非弹性行为的广泛范围。虽然演示基于各向同性不变量,但只要有一组合适的不变量,该公式可以直接扩展到各向异性情况。我们还展示了该框架能够模拟复杂的微观结构非弹性,并在根据应力-温度观测结果进行校准后预测塑性功转化为热量的过程。

引言

塑性功转化为热量以及由此导致的软化可能会导致在高应变率应用中的失控失效。Taylor-Quinney [1] 将绝热条件下的温度升高与塑性功联系起来,这已成为许多工程计算的基础。通常,人们使用一个特定的常数作为塑性功和热量之间的比例系数,然而这种关系显然是热力学状态的函数 [2]。此外,材料的温度和速率依赖性往往是同时存在的,而且粘度通常强烈依赖于温度。因此,即使在较低速率的过程中,也可能发生温度升高,从而显著改变材料的行为;然而,目前还缺乏适用于各种速率-温度范围的本构模型。
# 这里应该插入一些关于研究方法、数据收集、模型构建过程等的详细说明
# 在下一节中,我们将把当前的研究成果放在相关工作的背景下进行讨论。然后,在第三节中,我们简要总结现象学和基本理论,以阐明框架的开发背景。随后,第四节提供了理论依据,用于解释第五节中描述的模型架构。第六节提供了数据和训练的详细信息。第七节通过三个代表性示例来展示所提出的框架:(a) 在粘塑性现象范围内进行拟合和预测;(b) 均匀化没有封闭形式的晶体塑性随机体积元素的响应;(c) 根据应力-温度演变对模拟的拉伸实验进行校准和预测。在第八节中,我们总结了学习框架的性能以及未来工作的方向。
# 这里可以插入一些关于论文结构、章节划分的说明

相关工作

热塑性理论的发展遵循两条相互交织的线索:热力学形式主义和现象学本构模型。
热力学基础 20世纪初的连续介质热力学奠定了可变形固体中能量和熵平衡的基础。Coleman–Gurtin(1967)[11] 的内部状态变量(ISV)理论引入了一个广泛的热力学框架,在该框架中,内部变量根据受热力学第二定律约束的一般规律演变。

现象学理论

为了提供关于现象学、塑性和用于建模的经典理论的背景,本节重点讨论了屈服和塑性流动。我们将弹性和温度效应的讨论留到后面的章节。主要地,我们将经典理论放在Coleman-Gurtin内部状态变量(ISV)框架 [11] 的背景下,以促进后续章节的发展,同时也简要将其与广义标准材料(GSM)理论 [12] 进行对比。

理论框架

本工作的重点是因非平衡和不可逆过程而产生的耗散,这些过程会产生热量和温度效应。我们像其他研究者 [51]、[76]、[77] 一样,利用势函数来:(a) 将表示的数量降到最低,(b) 帮助嵌入物理约束,(c) 保持导出响应函数的自洽性。我们将在本节描述热力学原理,特别是框架等变性和第二定律约束。

模型

我们需要以下表示:(a) 自由能 ψ(38),它提供了应力(16)和内力(29);(b) 耗散势 ?(41),它提供了内部变量的流动(31)。
特别是,自由能需要满足以下要求:
  • •
    在变形梯度的不变量 I
    1、I2 和 J 下是凸函数,并且在 I1、I2 上单调递增 [81],但这并不意味着整个模型是多凸的 [82];
  • •
    在温度 T
    下是凹函数,以确保具有正的热容量 [83]

数据

我们为演示生成了多种训练数据。首先,我们调查了粘塑性行为的范围,然后我们将模型拟合到没有封闭形式表达式的随机体积元素(SVE)数据上。对于粘塑性的代表性示例,探索所提出的PANN模型在恒定温度下表示速率依赖性的能力是充分且方便的。然后,我们使用受晶体塑性控制的SVE来探索温度依赖性和速率效应。

结果

在本节中,我们展示了在前一节描述的三个示例上训练所提出模型的结果。我们使用粘塑性谱系的代表性示例来探索PANN的基本属性,包括可视化势函数以及研究惩罚参数(在5.2节中描述)的影响。随机体积均质化和合成拉伸校准的代表性示例说明了该模型的实用性。

结论

为了构建一个适用于速率无关和速率相关的热塑性的通用模型,我们设计了一个学习框架,其中自由能和耗散势之间存在功能关系,类似于Chaboche [3]、[4]、[19] 发展的理论。不需要双重势函数和Legendre-Fenchel变换,因此我们认为该框架比大多数GSM模型限制更少。此外,耗散中包含变形和速率度量。

CRediT作者贡献声明

Reese E. Jones:撰写 – 审稿与编辑,撰写 – 原稿,软件,方法论,研究,数据管理,概念化。Asghar A. Jadoon:软件,方法论,研究。D. Thomas Seidl:撰写 – 审稿与编辑,资金获取,概念化。Jan N. Fuhg:撰写 – 审稿与编辑,撰写 – 原稿,监督,软件,资源,方法论,资金获取,概念化。

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系:Reese Jones报告称得到了桑迪亚国家实验室加利福尼亚分部的财务支持。如果有其他作者,他们声明没有已知的财务利益或个人关系可能影响本文报告的工作。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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