[论文解读] A statistical framework for generating microstructures of two-phase random materials: application to fatigue analysis

Ustim Khristenko, Andreï Constantinescu+3 more|arXiv (Cornell University)|Jul 4, 2019

Probabilistic and Robust Engineering Design参考文献 81被引用 17

一句话总结

本文提出了一种基于具有Matérn协方差的高斯随机场的统计框架，用于在两相随机材料中生成逼真且灵活的微观结构，可控制孔隙率、尺寸、长宽比及界面规则性。该方法通过快速傅里叶变换（FFT）高效生成微观结构，并利用蒙特卡洛采样实现疲劳分析中的不确定性量化，展示了其在微观结构设计与有效性能预测中的可行性与实用性。

ABSTRACT

Random microstructures of heterogeneous materials play a crucial role in the material macroscopic behavior and in predictions of its effective properties. A common approach to modeling random multiphase materials is to develop so-called surrogate models approximating statistical features of the material. However, the surrogate models used in fatigue analysis usually employ simple microstructure, consisting of ideal geometries such as ellipsoidal inclusions, which generally does not capture complex geometries. In this paper, we introduce a simple but flexible surrogate microstructure model for two-phase materials through a level-cut of a Gaussian random field with covariance of Mat\'ern class. Such parametrization of the covariance function allows for the representation of a few key design parameters while representing the geometry of inclusions in a more general setting for a large class of random heterogeneous two-phase media. In addition to the traditional morphology descriptors such as porosity, size and aspect ratio, it provides control of the regularity of the inclusions interface and sphericity. These parameters are estimated from a small number of real material images using Bayesian inversion. An efficient process of evaluating the samples, based on the Fast Fourier Transform, makes possible the use of Monte-Carlo methods to estimate statistical properties for the quantities of interest in a given material class. We demonstrate the overall framework of the use of the surrogate material model in application to the uncertainty quantification in fatigue analysis, its feasibility and efficiency, and its role in the microstructure design.

研究动机与目标

• 开发一种适用于两相随机非均质材料的灵活且简单的代理模型，能够捕捉超越理想化形状的复杂微观结构几何特征。
• 通过Matérn协方差函数的参数化控制，精确表征关键形态学特征——孔隙率、尺寸、长宽比及界面规则性。
• 利用贝叶斯反演方法，从有限的真实材料图像中估计设计参数，确保与实验数据的统计保真度。
• 将代理微观结构模型集成到疲劳分析框架中，通过蒙特卡洛方法实现不确定性量化。
• 展示该框架在均质化及工程应用中微观结构设计的可行性与高效性。

提出的方法

• 通过具有Matérn协方差的高斯随机场的水平截断来建模微观结构，其中协方差参数控制形态与界面平滑度。
• 利用快速傅里叶变换（FFT）高效采样高斯场，借助Matérn协方差的解析傅里叶变换实现计算速度优化。
• 应用贝叶斯反演方法，从少量真实材料图像中估计设计参数（如均值、方差、平滑度ν、孔隙率φ₀）的后验分布。
• 将代表性体积元（RVE）定义为后续均质化与疲劳分析的代理微观结构。
• 在高周疲劳范围内实现Dang Van型疲劳模型，利用RVE计算局部损伤与寿命的统计分布。
• 通过在大量生成的微观结构上进行蒙特卡洛采样，估计有效模量与疲劳响应的统计特性。

实验结果

研究问题

• RQ1 是否能够通过统计一致且灵活的代理模型，生成具有复杂几何形状与受控形态的逼真两相微观结构？
• RQ2 仅使用少数参数的Matérn协方差模型，在多大程度上能够准确表征孔隙率、长宽比及界面规则性等关键微观结构特征？
• RQ3 从有限的真实图像中进行贝叶斯反演，能在多大程度上准确估计代理模型的参数？
• RQ4 由ν控制的夹杂物界面规则性如何影响疲劳寿命与有效弹性模量的统计分布？
• RQ5 所提出的框架是否能高效支持疲劳分析中的不确定性量化，并指导微观结构设计？

主要发现

• 基于Matérn协方差的模型成功捕捉了复杂微观结构几何特征，包括不规则形状的夹杂物与可变的界面平滑度，且仅需少数设计参数。
• 由Matérn协方差导出的界面规则性参数ν与球形度密切相关，并控制夹杂物边界的平滑度。
• 贝叶斯反演可从极少的真实材料图像中准确估计模型参数（如φ₀、ν等），确保统计保真度。
• 基于FFT的采样方法可高效生成数千个微观结构实现，使基于蒙特卡洛的不确定性量化成为可能。
• 该框架表明，界面规则性（ν）显著影响疲劳寿命与均质化弹性模量的统计分布，更平滑的界面导致更均匀的响应。
• 在100个样本上计算的均质化弹性模量（体变K与剪切G）明显依赖于孔隙率φ₀与规则性ν，且结果紧密遵循Hashin-Shtrikman边界。