[论文解读] A Data-Driven Approach to Full-Field Damage and Failure Pattern Prediction in Microstructure-Dependent Composites using Deep Learning

Reza Sepasdar, Anuj Karpatne+1 more|arXiv (Cornell University)|Apr 9, 2021

Infrastructure Maintenance and Monitoring参考文献 28被引用 7

一句话总结

该论文提出了一种基于堆叠全卷积神经网络的两阶段深度学习框架，仅从微观结构几何形状预测单向碳纤维增强聚合物复合材料的全场失效后应力分布和裂纹模式。模型在4,500个基于物理信息的损失函数生成的合成代表性体积元（RVEs）上进行训练，能够高精度预测复杂的损伤与失效模式，相比传统有限元模拟显著降低了计算成本。

ABSTRACT

An image-based deep learning framework is developed in this paper to predict damage and failure in microstructure-dependent composite materials. The work is motivated by the complexity and computational cost of high-fidelity simulations of such materials. The proposed deep learning framework predicts the post-failure full-field stress distribution and crack pattern in two-dimensional representations of the composites based on the geometry of microstructures. The material of interest is selected to be a high-performance unidirectional carbon fiber-reinforced polymer composite. The deep learning framework contains two stacked fully-convolutional networks, namely, Generator 1 and Generator 2, trained sequentially. First, Generator 1 learns to translate the microstructural geometry to the full-field post-failure stress distribution. Then, Generator 2 learns to translate the output of Generator 1 to the failure pattern. A physics-informed loss function is also designed and incorporated to further improve the performance of the proposed framework and facilitate the validation process. In order to provide a sufficiently large data set for training and validating the deep learning framework, 4500 microstructural representations are synthetically generated and simulated in an efficient finite element framework. It is shown that the proposed deep learning approach can effectively predict the composites' post-failure full-field stress distribution and failure pattern, two of the most complex phenomena to simulate in computational solid mechanics.

研究动机与目标

• 解决高保真有限元模拟在微结构依赖性复合材料损伤与失效分析中计算成本高、复杂度高的问题。
• 开发一种代理模型，基于微结构几何形状预测全场失效后应力分布与失效模式。
• 引入物理信息损失函数以提升模型精度，并实现与力学定律的一致性验证。
• 生成包含4,500个代表性体积元（RVEs）的大型合成数据集，确保材料行为与失效响应的一致性。
• 证明深度学习在预测异质性复合材料中复杂、全场力学响应方面的可行性。

提出的方法

• 采用两阶段深度学习框架：生成器1将微结构几何形状映射为全场失效后应力分布。
• 生成器2接收生成器1的输出，并预测失效模式（裂纹分布）。
• 该框架采用两个堆叠的全卷积神经网络，按顺序训练以保持空间分辨率并捕捉分层特征。
• 基于本构定律设计物理信息损失函数，包括Ramberg-Osgood塑性模型、Tschoegl屈服准则和Simo-Ju损伤演化模型。
• 采用双线性牵引-分离定律的界面 cohesive zone models (CZM) 模拟纤维-基体脱粘，通过添加人工黏性以防止收敛问题。
• 利用高性能计算集群上的高效IGFEM框架，合成生成4,500个RVEs并完成模拟，构建大规模、多样化的训练数据集。

实验结果

研究问题

• RQ1 仅从微结构几何形状出发，深度学习模型能否准确预测微结构依赖性复合材料的全场失效后应力分布？
• RQ2 两阶段深度学习架构能否有效从应力场预测结果中预测复杂的裂纹模式？
• RQ3 引入物理信息损失函数在多大程度上提升了预测的准确性与物理一致性？
• RQ4 与传统有限元模拟相比，数据驱动的代理模型在多大程度上降低了计算成本？
• RQ5 该模型在多样化微结构几何形状上是否具备泛化能力，同时保持力学保真度？

主要发现

• 所提出的深度学习框架能够以高空间保真度成功预测全场失效后应力分布，即使在复杂应力集中区域亦表现优异。
• 模型能准确捕捉基于微结构特征的裂纹萌生与扩展模式，包括分叉与偏转行为。
• 物理信息损失函数的整合显著提升了预测精度，并确保与塑性变形和损伤演化等基本力学定律的一致性。
• 该框架将单个RVE的模拟时间从有限元方法的数天缩短至毫秒级，实现了失效行为的快速、大规模预测。
• 模型在多样化微结构上表现出良好的泛化能力，对纤维分布与取向变化具有鲁棒性。
• 利用4,500个合成生成并模拟的RVEs确保了模型训练所需的数据多样性，从而提升泛化能力。