PD-ResNet:一种具有近场动力学非局部性的物理嵌入深度残差网络,用于层状纤维复合材料的断裂演化预测

《ADVANCED ENGINEERING INFORMATICS》:PD-ResNet: A physics-embedded deep residual network with peridynamic nonlocality for fracture evolution forecasting in layered fiber composites

【字体: 大 中 小 】 时间:2026年09月26日 来源:ADVANCED ENGINEERING INFORMATICS 11.5

编辑推荐:

   摘要 预测纤维增强复合材料(FRC)层合板中的裂纹扩展仍然是一个重大挑战:基于物理的模拟对于工程级结构而言计算代价过于高昂,而数据驱动的神经网络则需要大量昂贵的标注数据集。为弥合这一差距,我们提出了一种物理嵌入的深度残差网络框架 PD-ResNet,该框架无需任何标注数据即

  

摘要

预测纤维增强复合材料(FRC)层合板中的裂纹扩展仍然是一个重大挑战:基于物理的模拟对于工程级结构而言计算代价过于高昂,而数据驱动的神经网络则需要大量昂贵的标注数据集。为弥合这一差距,我们提出了一种物理嵌入的深度残差网络框架 PD-ResNet,该框架无需任何标注数据即可预测 FRC 层合板中的裂纹扩展。该框架采用基于键的近场动力学(PD)模型的离散化总势能作为唯一的训练目标,该 PD 模型包含拉伸与旋转,从而直接纳入了层内纤维–基体相互作用和层间剪切力学。基于视域的环周卷积算子使特征提取与 PD 族拓扑结构相匹配,而可接受的试探解则强制执行了规定的位移边界条件。在渐进加载过程中,键状态变量按照规定的 PD 失效准则进行更新,并继承来自前一增量步的收敛网络参数以优化性能。通过将 FRC 层合板的单铺层与多铺层在不同加载与断裂条件下的结果与有限元解、传统 PD 模拟和实验数据进行对比验证,评估了该框架的有效性。PD-ResNet 能够准确预测位移场、裂纹起始位置、扩展路径以及载荷–位移响应。在多铺层层合板基准测试中,预测的峰值载荷与实验值仅相差 1.09%,且累计实际计算时间低于参考实现方案。这些结果表明,PD-ResNet 为层合复合结构的渐进断裂分析提供了一种无标注、具有物理可解释性的神经求解框架。

引言

纤维增强复合材料(FRC)层合板表现出跨多个长度尺度的并发损伤演化,包括基体微裂纹、纤维–基体界面脱粘以及层间分层。基体裂纹通常沿垂直于增强方向的方向萌生,随后平行于纤维扩展或沿薄弱界面偏转;当这些裂纹被刚度较大的纤维阻滞时,会在局部产生应力集中,从而引发载荷重新分布并诱发二次失效模式。这些机制之间复杂的耦合——从组分尺度的微裂纹到结构尺度的分层——使得渐进损伤的预测建模成为一项艰巨挑战,需要能够同时解析多尺度相互作用并捕捉涌现断裂行为的计算框架。

近场动力学(PD)[1] 通过非局部积分算子重新表述连续介质力学,从而规避了位移不连续处空间导数固有的奇异性问题。在该框架中,物质点通过成对的键相互作用,当相互作用力超过临界阈值时键的断裂自然地容纳了裂纹的成核、扩展与分叉,而无需人为富集。这种键断裂范式已被证明特别适合捕捉纤维增强复合材料中的多种失效模式,其中基体开裂、纤维–基体脱粘和层间分层表现为不同的键断裂事件。

将 PD 应用于复合材料损伤分析的开创性工作包括 ?terkus 和 Madenci [2]、[3] 的研究,他们首次使用基于键的公式模拟了受单轴拉应力作用的中心切口 FRC 板材的渐进失效。后续发展致力于增强层合板 PD 模型的物理保真度。Hu 等人 [4] 引入了一种四键分类体系——面内法向、面内剪切、横向法向和横向剪切——以解析层内相互作用和层间载荷传递;在相关工作 [5] 中,他们提出了一种具有任意铺层能力的基于状态的 PD 框架,用与方向无关的法向和剪切键取代了纤维/基体键的二分法。为缓解传统基于键的 PD 中固有的泊松比约束,Madenci 等人 [6] 纳入了拉伸与旋转运动学,从而能够准确表征复合材料层合板的面内与横向剪切变形。Yang 等人 [7] 进一步通过双物质点公式将结构旋转嵌入 PD 形式,建立了面内与层间自由度之间稳定的力–函数映射关系。互补地,Yang 等人 [8] 开发了一种虚拟物质点模型,其中辅助节点变量正则化了非一致离散网格间的载荷传递,并在数值积分点上应用刚度折减技术以跟踪损伤演化。这种模块化架构便于将单层算法直接扩展至多层构型,从而提高了计算效率。

除了传统的固定视域近场动力学公式之外,双视域近场动力学(DH-PD)被引入以解决由空间变化的视域尺寸和非均匀物质点分布所引起的不平衡相互作用问题。通过区分物质点自身的视域与其双视域,DH-PD 实现了自适应细化、多尺度离散化以及材料界面的处理,同时保持线动量和角动量的平衡,并减少了幽灵力和虚假波反射效应 [9]、[10]、[11]、[12]。

相关发展还有非局部算子方法(NOM),其中非局部微分算子由每个物质点支集上的泰勒级数展开构造而成。通过相关的支集与双支集概念,NOM 可以在变分原理和加权残差框架内一致地建立,并已被推广至高阶连续体、断裂、板壳理论及多物理问题 [13]、[14]、[15]。虽然 DH-PD 和 NOM 在连续体层面推进了非局部公式的普适性与变分一致性,但本研究的目标处于不同的抽象层次:在统一的计算框架中解决多种失效机制——基体拉伸、基体剪切和层间分层——并能在渐进失效过程中于单个键级别更新损伤状态和应变能。

包含拉伸与旋转的基于键的近场动力学(BBPD-SR)提供了一种具有实际优势的表述形式。其键级运动学使得相互作用可以显式分解为纤维键、基体键和层间剪切相互作用,每一类均由不同的本构参数和失效准则控制。这种分解被神经训练目标直接继承:总势能由离散的键与界面微势组合而成,而非来自连续体能量泛函,神经网络被训练为在每个加载增量步内最小化这种键级解析的能量。

尽管近场动力学公式已被证明在捕捉纤维增强复合材料层合板中的渐进损伤演化方面具有保真度,但其非局部积分算子会带来巨大的计算开销。由视域邻域产生的稠密相互作用矩阵,加上键状态更新所要求的精细时间步长,使得传统 PD 模拟在高保真或实时应用中变得难以承受 [16]、[17]、[18]、[19]。这一计算瓶颈凸显了迫切需要替代性的神经求解策略,这些策略在保留预测精度的同时规避显式非局部求解器的算法复杂性。与此同时,机器学习架构——特别是深度神经网络——的快速发展为在规定的本构与失效模型下逼近平衡位移场和渐进损伤演化开辟了新途径,为在不牺牲力学严谨性的前提下加速复合材料失效预测提供了可能。

数据驱动的机器学习方法已被广泛用于多种材料体系的断裂预测。Bahrami 等人 [20] 早期的工作采用浅层人工神经网络预测混合模式 I/II 裂纹轨迹。在概率性裂纹扩展预测方面,Chen 等人 [21] 将动态贝叶斯网络与自适应粒子滤波相结合,利用序贯观测数据更新金属构件剩余使用寿命的预测。Yan 等人 [23] 的比较研究系统评估了三种预测框架——降维结合序列预测(DS)、自编码器-长短期记忆(AL)和 U-net-长短期记忆(UL),通过定制的损失函数公式确立了 UL 架构在泛化能力和精度方面的优越性。Li 等人 [22] 开发了一种近场动力学驱动的两阶段条件扩散深度生成模型,用于多孔结构中的不连续断裂预测。

在微观结构敏感断裂的语境下,Rao 等人 [24] 开发了基于物理模拟数据库训练的双向 LSTM 网络,编码晶粒尺度形态特征以加速微观结构依赖的裂纹扩展预测。在混凝土断裂方面,Anh 等人 [25] 提出了一种自动化模拟-机器学习流水线(ASCC),其中通过耦合模拟-编程环境生成的合成裂纹扩展数据作为监督学习模型的训练语料。在向算子学习推进方面,Kiyanni 等人 [26] 采用深度算子网络(DeepONets)学习无穷维函数空间之间的映射关系而非有限维向量,利用本构信息驱动的粒子动力学数据实现了对可变几何构型中时变裂纹场的预测。结构健康监测应用同样从深度学习集成中获益。Yang 等人 [27] 随后展示了能够同时识别损伤位置、拓扑形态和严重程度的深度神经网络架构。相关研究还采用了深度神经网络、数字孪生、PDE 发现正则化、高斯过程回归和贝叶斯更新等技术,用于工程结构的损伤识别与裂纹扩展预测 [28]、[29]、[30]。

尽管取得了这些进展,数据驱动的断裂预测仍存在一个根本性局限:其依赖于大量高保真的标注数据集,而生成这类数据集对于表现出多尺度、多模式损伤的复杂复合材料而言往往代价高昂且难以实现。这一约束推动了物理信息替代方案的发展,这些方案将控制方程和守恒定律直接嵌入网络架构中,从而减少对经验数据的依赖,同时保留力学可解释性。

物理信息神经网络(PINNs)[31] 作为一种原理性的替代方案,通过将控制方程和守恒定律直接嵌入网络架构来正则化解空间,减少对标注数据的依赖。这类物理嵌入框架已被证明在求解控制力学响应的偏微分方程(PDE)系统的前向与反问题方面具有效力 [32]。然而,传统 PINNs 在面对表现出奇异性的场时遇到根本性困难:与裂纹面相关的尖梯度、应力集中和位移不连续性会导致收敛性差和训练成本过高,从而限制了其在断裂力学中的应用。

基于能量的神经求解方法作为基于残差的物理信息神经网络的替代方案应运而生。这些方法不再最小化控制微分方程的点态残差,而是使用神经网络逼近未知场,并通过最小化相应的变分泛函来确定网络参数。Samaniego 等人 [33] 建立了计算力学的一般能量驱动神经框架,证明力学能量泛函可以直接作为训练目标。Goswami 等人 [34] 随后将这种变分学习策略扩展至脆性断裂的相场建模,并在相关加载状态之间纳入了迁移学习。这些研究为基于变分原理的神经求解器奠定了重要基础,并证明了其在断裂与材料失效问题中的潜力。

尽管取得了这些发展,将基于能量的神经方法应用于异质各向异性材料的渐进断裂仍面临挑战。断裂演化具有路径依赖性,常伴随位移不连续性、局部损伤、演化中的相互作用域以及高度非凸的能量景观。这些困难在纤维增强复合材料层合板中尤为突出,因为层内各向异性、层间相互作用、非共线材料分布以及多种竞争失效机制必须同时得到表征。一个有前景的策略是用非局部近场动力学相互作用和能量公式替代 PINNs 中常用的局部强形式残差。这类公式避免了跨越裂纹面的空间微分,而键状态演化则提供了渐进损伤的直接表征。近期研究 [35]、[36]、[37]、[38]、[39] 验证了近场动力学信息神经网络在预测裂纹成核与扩展方面的有效性,为本文框架构建奠定了基础。

纤维增强层合板复杂的层级架构——包含不同的组分相、异质界面和方向依赖的各向异性——导致了跨多个长度尺度的并发失效机制,从而使得损伤演化的计算预测变得复杂。准确预测此类复杂损伤现象需要物理上自洽的本构描述。二维 FRC 板材的可行性研究已经完成 [40]。然而,实际 FRC 结构通常以多层层合板的形式建造。层间相互作用在控制复合材料结构的整体裂纹扩展行为中可以发挥关键作用。这不仅是复合材料力学中的一个基本问题,也是复合材料在工程应用中结构失效的主要机制之一。因此,深入探究多层纤维增强复合材料结构中的裂纹扩展机制是复合材料结构设计、损伤容限评估和使用寿命预测的核心组成部分,也是本研究的主要聚焦点。

本文介绍了 PD-ResNet,一种物理嵌入的深度残差网络,用于预测多铺层纤维增强复合材料层合板中的渐进裂纹扩展,且无需预计算的标注训练数据。本工作的主要贡献总结如下:

(1)层合复合材料的近场动力学能量驱动神经公式。通过最小化含拉伸与旋转的基于键的近场动力学模型的离散化总势能,建立了神经平衡框架。该公式区分了面内纤维与基体相互作用和层间剪切相互作用,从而纳入了层合复合材料层合板中考虑的主要变形与损伤机制。

(2)基于视域的环周卷积。在 PD 离散化的物质点拓扑结构上构建了一种邻域聚合层。其感受野由物理视域定义,参与特征聚合的邻近点是参与底层近场动力学相互作用的同一族成员。因此,该层将离散 PD 模型的非局部连通性和基于视域的相互作用结构嵌入到神经特征提取过程中。

(3)渐进损伤的增量优化。在每个加载增量步,更新的键状态变量被向前传递以描述演化的损伤拓扑,而前一增量步的收敛网络参数被复用为当前优化的初始值。

该策略在保留近场动力学损伤模型所规定的路径依赖性的同时,减少了重复训练的工作量。本文余下部分组织如下。第2节通过建立基于拉伸和旋转的键合近场动力学理论,奠定理论基础:(i)面内纤维与基体键;(ii)层间剪切键;以及(iii)面内和层间行为相应的应变能表达式,并显式地刻画损伤特征。第3节详细介绍了所提出的PD-ResNet框架的架构和计算规则。第4节通过复合材料层板损伤演化的代表性算例验证了PD-ResNet的准确性和效率。第5节总结了主要结论,并指出了未来扩展的方向。章节片段:BBPD-SR运动学与键能量。本层板公式基于具有拉伸和旋转的键合近场动力学模型[6]。与传统的键合近场动力学不同,后者将成对相互作用限制在轴向拉伸,BBPD-SR在键的运动学模型中引入了旋转变形,从而使各向异性复合材料层板所需的本构表征成为可能。对于连接x和x'的键,其相对位移向量和相对位置向量分别定义为η=。PD-ResNet模型。本节介绍PD-ResNet框架,该框架是一个物理嵌入的深度残差网络,集成了非局部卷积算子与残差学习模块,用于预测多方向纤维增强复合材料层板中的渐进损伤。数值分析。通过对代表性基准问题的分析,评估了所提出PD-ResNet框架的精度和收敛特性。在缺乏解析解的情况下,高保真有限元仿真和实验数据作为参考基准。所有实现均在PyTorch中开发,并在配备24 GB显存的NVIDIA GeForce RTX 4090 GPU上执行。所有算例的允许位移场均构建在[1]2归一化坐标系中。结论。本文提出了PD-ResNet,一种用于预测多方向纤维增强复合材料层板中渐进裂纹扩展的物理嵌入深度残差网络框架。主要贡献有三:(1)非局部卷积算子:开发了一种基于势的卷积核,用于在基于势的族拓扑上聚合潜在神经特征,该族拓扑由近场离散化用于不规则、纤维取向的离散化。通过赋予可学习的。CRediT作者贡献声明:张习宏:验证、软件、数据整理。寇坤庞:撰写——审阅与编辑、监督。林志秋:撰写——审阅与编辑、监督。杨洋:撰写——审阅与编辑、撰写——原稿撰写、监督、获取资金、概念化。利益冲突声明:作者声明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:作者感谢国家自然科学基金(项目编号:12272160)、深圳市自然科学基金(项目编号:20231129213819001)以及广东省教育厅重点项目(编号:2025ZDZX4079)的资助。张习宏 | 寇坤庞 | 林志秋 | 杨洋
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