[论文解读] Augmentation of scarce data -- a new approach for deep-learning modeling of composites

Hon Cheung, Petter Uvdal+1 more|arXiv (Cornell University)|Nov 24, 2023

Composite Material Mechanics被引用 5

一句话总结

本文提出了一种新颖的数据增强技术，通过高保真微观力学模拟的随机旋转来扩展用于训练短纤维增强复合材料深度学习模型的稀缺数据集。通过在多个坐标系中旋转原始的应力-应变数据，该方法显著提升了循环神经网络（RNN）在非线性弹塑性行为预测方面的性能，20种增强旋转配置实现了与全场模拟近乎完美的匹配。

ABSTRACT

High-fidelity full-field micro-mechanical modeling of the non-linear path-dependent materials demands a substantial computational effort. Recent trends in the field incorporates data-driven Artificial Neural Networks (ANNs) as surrogate models. However, ANNs are inherently data-hungry, functioning as a bottleneck for the development of high-fidelity data-driven models. This study introduces a novel approach for data augmentation, expanding an original dataset without additional computational simulations. A Recurrent Neural Network (RNN) was trained and validated on high-fidelity micro-mechanical simulations of elasto-plastic short fiber reinforced composites. The obtained results showed a considerable improvement of the network predictions trained on expanded datasets using the proposed data augmentation approach. The proposed method for augmentation of scarce data may be used not only for other kind of composites, but also for other materials and at different length scales, and hence, opening avenues for innovative data-driven models in materials science and computational mechanics.

研究动机与目标

• 解决在训练高保真微观力学模拟的短纤维增强复合材料（SFRCs）深度学习模型时面临的数据稀缺这一关键瓶颈。
• 克服用于模拟SFRCs中路径依赖、非线性弹塑性行为的循环神经网络（RNNs）对数据的高需求问题。
• 开发一种数据增强策略，以扩展有限的高保真模拟数据集，而无需额外的计算或实验模拟。
• 为航空航天和汽车设计等工业应用，实现对SFRCs的精确、快速代理建模。
• 将该方法推广至短纤维复合材料以外的其他材料和长度尺度。

提出的方法

• 使用有限元（FE）或快速傅里叶变换（FFT）方法，基于高保真微观力学模拟数据，对循环神经网络（RNN）进行训练，以模拟弹塑性短纤维增强复合材料。
• 通过在多个坐标系中对原始的应力-应变数据应用随机旋转，生成增强的训练数据集。
• 将输入和输出数据（如应力和应变分量）从原始参考系转换到旋转后的参考系，以增加数据集的多样性。
• 使用增强后的数据集重新训练并验证RNN，与原始数据集的性能进行对比。
• 通过单轴和双轴加载工况评估模型性能，将预测的应力-应变曲线和von Mises应力与参考FE/FFT模拟结果进行比较。
• 评估不同增强水平（如3种与20种旋转）对模型精度和收敛性的影响。

实验结果

研究问题

• RQ1 旋转数据增强是否能显著提升在有限高保真模拟数据上训练的RNN在非线性弹塑性SFRCs上的泛化能力和预测精度？
• RQ2 增加旋转数据配置的数量在多大程度上能减少RNN预测与参考全场模拟之间的差异？
• RQ3 所提出的增强方法是否能在不增加额外模拟的前提下，有效保持非线性材料的路径依赖行为？
• RQ4 该方法是否可推广至其他复合材料、金属、聚合物，甚至更低尺度下的分子动力学模拟？
• RQ5 使用随机旋转是否能实现最优的数据扩展效果，还是系统性旋转策略可能带来更优结果？

主要发现

• 在原始未增强数据集上训练的RNN无法准确捕捉单轴应力模拟中循环加载曲线的形状。
• 随着旋转数据配置数量的增加，RNN的预测结果逐步与参考FE/FFT模拟结果对齐，20种旋转配置显示出近乎完美的匹配。
• 在单轴加载情况下，基于20个增强数据集训练的网络与模拟的应力-应变响应高度一致，表明其对非线性、路径依赖行为的学习能力得到显著改善。
• 在双轴加载情况下，增强RNN预测的von Mises应力与参考模拟结果高度吻合，证实了其在复杂加载路径下的鲁棒性。
• 所提出的数据增强方法有效缓解了复合材料深度学习中的数据稀缺瓶颈，降低了对昂贵模拟或实验的依赖。
• 该方法具有可迁移性，可推广至SFRCs以外的其他材料和尺度，包括潜在应用于分子动力学或其他多尺度建模。