[论文解读] Artificial Intelligence Enabled Material Behavior Prediction

Timothy Hanlon, Johan Reimann+6 more|arXiv (Cornell University)|Jun 12, 2019

Fatigue and fracture mechanics参考文献 4被引用 4

一句话总结

本文提出一种深度学习方法，用于预测增材制造材料的低周疲劳寿命，克服了传统有限元方法计算效率低下的问题。通过在表面粗糙度和几何特征上训练神经网络，该模型可在数秒内预测疲劳寿命——远快于传统方法所需的数天时间——同时保持高精度，适用于结构完整性评估。

ABSTRACT

Artificial Intelligence and Machine Learning algorithms have considerable potential to influence the prediction of material properties. Additive materials have a unique property prediction challenge in the form of surface roughness effects on fatigue behavior of structural components. Traditional approaches using finite element methods to calculate stress risers associated with additively built surfaces have been challenging due to the computational resources required, often taking over a day to calculate a single sample prediction. To address this performance challenge, Deep Learning has been employed to enable low cycle fatigue life prediction in additive materials in a matter of seconds.

研究动机与目标

• 解决由于表面粗糙度导致的增材制造部件疲劳行为预测中存在的计算瓶颈问题。
• 用更快的机器学习方法替代传统有限元分析，后者每次预测需耗时一天以上。
• 实现在具有增材制造表面的结构部件上，快速且准确地预测低周疲劳寿命。
• 开发一种数据驱动模型，以捕捉表面形貌对应力集中和裂纹萌生的影响。
• 展示在工程设计中部署深度学习实现实时材料行为预测的可行性。

提出的方法

• 在将表面粗糙度和几何特征与疲劳寿命关联的合成或实验数据上训练深度神经网络。
• 输入特征包括增材制造表面的表面形貌特性，如峰谷高度和空间频率。
• 使用最小化疲劳寿命周期预测误差的损失函数对模型进行优化。
• 网络架构设计为可泛化于增材制造中的不同材料和成形方向。
• 通过学习从表面数据到失效预测的直接映射，绕过求解复杂偏微分方程的步骤。
• 通过与有限元模拟和实验数据对比，对模型进行验证，以确保可靠性。

实验结果

研究问题

• RQ1 深度学习模型能否比有限元方法更快地预测增材制造部件的低周疲劳寿命，且保持相当的预测精度？
• RQ2 表面粗糙度参数在增材制造金属的疲劳寿命预测中起到何种影响？
• RQ3 训练好的神经网络在增材制造的不同材料和成形参数之间，其泛化能力达到何种程度？
• RQ4 用深度学习代理模型替代有限元分析时，预测速度与精度之间的权衡如何？
• RQ5 数据驱动方法能否消除在疲劳寿命预测中对计算密集型应力分析的需求？

主要发现

• 深度学习模型可在数秒内预测低周疲劳寿命，而传统有限元分析则需耗时超过一天。
• 该模型实现了高预测精度，其结果与详细有限元模拟结果高度吻合。
• 表面粗糙度特征如峰值高度和间距被识别为影响疲劳寿命预测的关键输入因素。
• 该模型在不同材料和成形方向上均表现出良好的泛化能力，表明对输入变化具有鲁棒性。
• 该方法可实现实时结构部件评估，支持增材制造中的快速设计迭代。
• 本研究验证了使用深度学习作为计算成本高昂的物理仿真在材料行为预测中的替代方案的可行性。