《Engineering Fracture Mechanics》:MicroCreep-Net: A novel deep learning framework for predicting microstructure-sensitive creep dynamic crack growth
编辑推荐:
•提出了一种名为MicroCreep-Net的深度学习框架。•该模型被应用于微观结构敏感的蠕变裂纹预测。•该框架提供了动态蠕变裂纹扩展预测。•该模型在不同晶粒尺寸下表现出强大的泛化能力。引言在航空航天和能源动力等高端装备领域,耐热合金被广泛应用于发动机涡轮叶片等关键部件中。这
- •
提出了一种名为MicroCreep-Net的深度学习框架。
- •
该模型被应用于微观结构敏感的蠕变裂纹预测。
- •
该框架提供了动态蠕变裂纹扩展预测。
- •
该模型在不同晶粒尺寸下表现出强大的泛化能力。
引言
在航空航天和能源动力等高端装备领域,耐热合金被广泛应用于发动机涡轮叶片等关键部件中。这些部件在长期高温环境下运行,蠕变裂纹的萌生与扩展是导致结构失效的主要原因[1]、[2]、[3]。微观结构特征显著影响局部应力集中和损伤累积,因此蠕变裂纹扩展行为对初始微观结构高度敏感[4]。基于断裂力学或损伤力学的数值模拟方法,如有限元法(FEM)[5]、[6]和扩展有限元法(XFEM)[7],为揭示材料中的裂纹萌生与扩展机理提供了有力工具。然而,有限元模型的性能严重依赖于细网格尺寸和较小的时间步长,导致计算成本高、计算时间长,且缺乏实时预测能力。
近年来,机器学习凭借其强大的非线性映射和数据驱动能力,为裂纹扩展预测开辟了新的途径[8]。早期研究主要使用传统模型,如支持向量回归(SVR)[9]、[10]、随机森林(RF)[11]、[12]、[13]和人工神经网络(ANN)[14]、[15]、[16],来预测蠕变寿命、裂纹扩展和裂纹扩展速率,并取得初步成功。随着深度学习的兴起,研究焦点转向了具有更强高维特征提取能力的神经网络架构[17]。卷积神经网络(CNN)因其卓越的空间特征提取能力,被广泛用于裂纹路径识别与预测[18]、[19]、[20]。例如,Mizuno等人[21]使用基于Xception的CNN与数字图像相关法(DIC)生成的应变分布图相结合,实现了对短纤维增强塑料的疲劳寿命高精度预测。可视化技术验证了其模型能够早期准确定位断裂区域。Zhang等人[22]开发了一种整合EfficientNet的特征融合框架,通过处理碳纤维增强聚合物(CFRP)的微观结构图像,成功预测了以界面脱粘和基体开裂为主导的复杂裂纹路径。现有研究已采用CNN、U-Net和ANN等方法,探索从微观结构到复合材料性能与损伤的空间映射与预测,如预测含孔隙单向复合材料的裂纹模式和横向刚度/强度,以及建立编织复合材料的跨尺度损伤代理模型[23]、[24]、[25];然而,它们尚未针对裂纹扩展的时间序列依赖性进行专门建模。
针对裂纹扩展的时间序列依赖性,循环神经网络(RNN)及其变体长短期记忆网络(LSTM)展现了独特优势[26]、[27]、[28]。Hsu等人[29]提出了一种结合CNN空间特征提取能力和LSTM时间建模能力的卷积长短期记忆(ConvLSTM)模型,将分子动力学模拟中的晶体取向和裂纹演化映射为图像对,从而实现对单晶和多晶材料断裂模式的动态预测。Elapolu等人[30]聚焦于多晶石墨烯体系,深入研究了氢化晶界等微观结构特征对断裂行为的影响,揭示了晶界特征在裂纹演化中的关键作用,为复杂多晶材料的断裂预测提供了重要的物理见解。更先进的研究探索了图神经网络(GNN)来处理微观结构的拓扑关系[31]、[32]。例如,Roberto Perera和Vinamra Agrawal提出的框架[33]将裂纹尖端及其邻近区域编码为融合了空间和物理信息的图结构,然后使用多阶段GNN预测应力强度因子和未来裂纹位置。该方法在未见的断裂构型上保持了高精度,计算效率比传统XFEM高出高达200倍。
物理信息神经网络(PINNs)通过嵌入物理定律增强了模型的可解释性和泛化能力[34]、[35]、[36]。Chen等人[37]开发了增强型PINNs,将裂纹尖端周围的渐近位移场作为增强项引入,其方法自动模拟了混合模式裂纹扩展而无需重新划分网格。结合逐周期算法,成功捕获了过载条件下的裂纹扩展延迟行为和疲劳寿命。此外,迁移学习技术有效缓解了不同材料或加载条件下的数据稀缺问题。Xu等人[38]提出了Crack-Net框架,采用U-Net架构并引入隐式约束技术,通过参数迁移学习,将模型从一种颗粒增强复合材料扩展到具有不同强度增强相的系统。
材料性能归一化确保了迁移稳定性,使复杂弹塑性断裂过程的实时预测成为可能。尽管上述研究取得了显著进展,但大多数现有模型聚焦于宏观裂纹路径或最终寿命的静态预测。很少有研究将晶粒和晶界的微观几何特征明确作为输入,难以揭示微观结构特征如何影响宏观裂纹扩展路径。此外,对于蠕变裂纹扩展等长时程、高度时间依赖的动态过程,现有模型缺乏足够的能力来捕获裂纹扩展与应变场演化之间的时空耦合关系。此外,目前缺乏以晶粒尺度几何特征为输入来动态预测蠕变裂纹扩展路径及其相关全场应变分布的研究。
综上所述,本文建立了一种名为MicroCreep-Net的微观结构敏感深度学习框架,用于动态预测蠕变裂纹扩展行为,实现对微观结构敏感的蠕变裂纹扩展动态演化的实时、准确预测。该框架提出了一种融合U-Net和ConvLSTM的混合神经网络架构,嵌入注意力模块并引入特征融合层,实现微观结构特征与裂纹及应变场时空演化信息的深度融合。从初始微观结构出发,该框架同时实现了整个动态裂纹扩展过程和应变场分布的高精度预测。通过引入增量预测和递归迭代策略,有效缓解了长期预测中的误差累积问题。本研究不仅为蠕变裂纹扩展预测提供了一种高效准确的新方法,也为微观结构敏感的材料性能评估和服役寿命预测提供了新的技术途径。
各节摘要
方法论
所提出的MicroCreep-Net框架,如图1所示,包含三个主要组成部分:模拟数据集的生成与预处理、MicroCreep-Net架构的设计与训练,以及基于自回归策略的长期动态预测。首先,基于连续损伤力学(CDM)理论,使用ABAQUS有限元平台进行数值模拟,生成并预处理包含初始
结果与验证分析
为验证所提出的MicroCreep-Net深度学习框架在结合微观结构信息进行蠕变裂纹扩展行为动态预测方面的有效性,本节从短期预测能力、长期预测能力以及从不同损伤阶段开始的预测能力三个方面,通过对比MicroCreep-Net预测结果与高保真数值模拟实验结果进行分析,特别关注
结论
本研究旨在解决关键合金部件蠕变裂纹扩展准确快速预测的需求。我们提出了MicroCreep-Net,一种在纳入微观结构信息的同时动态预测裂纹演化的深度学习框架。以Ti-6Al-4 V合金作为模型材料,该框架将晶界几何特征与裂纹形态及应变场演化相结合,实现了从初始微观结构
作者贡献声明
甘崇信:起草原稿,可视化,验证,软件,调查。吴苏渝:验证,软件。程子涵:可视化,验证。Kamran Nikbin:审阅与编辑,方法论,概念化。胡云:审阅与编辑,监督,项目管理,方法论,概念化。
利益冲突声明
作者声明他们不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。
致谢
作者衷心感谢中国江西省自然科学基金 [项目编号:20232BCJ23036,20242BAB23041] 和重庆市自然科学基金 [项目编号:GSTB2024NSCQ-MSX1149] 的支持。
甘崇信|吴苏渝|程子涵|Kamran Nikbin|胡云