[论文解读] Crack-Net: Prediction of Crack Propagation in Composites

Hao Xu, Wei Fan+4 more|arXiv (Cornell University)|Sep 24, 2023

Numerical methods in engineeringEngineering被引用 3

一句话总结

Crack-Net 是一种深度学习框架，通过学习微观结构、应力场与断裂演化之间的关系，预测复合材料中的裂纹扩展和应力-应变响应。该框架基于高保真相场模拟数据进行训练，即使在复杂的微观结构（如双连续复合材料）中，也能实现对长期裂纹扩展的高精度、快速预测，同时利用迁移学习提升不同材料类型间的泛化能力。

ABSTRACT

Computational solid mechanics has become an indispensable approach in engineering, and numerical investigation of fracture in composites is essential as composites are widely used in structural applications. Crack evolution in composites is the bridge to elucidate the relationship between the microstructure and fracture performance, but crack-based finite element methods are computationally expensive and time-consuming, limiting their application in computation-intensive scenarios. Here we propose a deep learning framework called Crack-Net, which incorporates the relationship between crack evolution and stress response to predict the fracture process in composites. Trained on a high-precision fracture development dataset generated using the phase field method, Crack-Net demonstrates a remarkable capability to accurately forecast the long-term evolution of crack growth patterns and the stress-strain curve for a given composite design. The Crack-Net captures the essential principle of crack growth, which enables it to handle more complex microstructures such as binary co-continuous structures. Moreover, transfer learning is adopted to further improve the generalization ability of Crack-Net for composite materials with reinforcements of different strengths. The proposed Crack-Net holds great promise for practical applications in engineering and materials science, in which accurate and efficient fracture prediction is crucial for optimizing material performance and microstructural design.

研究动机与目标

• 解决传统有限元方法在模拟复合材料裂纹扩展时计算成本过高的问题。
• 开发一种数据驱动框架，从应力场和微观结构中捕捉裂纹演化的物理机制。
• 实现对多样化复合材料设计的长期裂纹扩展模式和应力-应变曲线的高效预测。
• 通过迁移学习提升在不同增强相强度下的泛化能力。
• 通过加速结构复合材料的断裂性能预测，支持实际工程设计。

提出的方法

• Crack-Net 采用卷积神经网络（CNN）架构，将输入的微观结构和施加的应力场映射为预测的裂纹路径与演化过程。
• 模型在通过相场方法生成的大规模断裂模拟数据集上进行训练，确保裂纹形态和能量耗散的高精度。
• 输入特征包括初始微观结构和应力分布，输出为空间裂纹演化图和对应的应力-应变曲线。
• 框架引入注意力机制，突出显示影响裂纹形核与扩展的关键应力集中区域。
• 采用迁移学习对新型复合材料体系（增强相强度不同）进行微调，提升零样本和少样本下的泛化能力。
• 模型通过相场模拟进行验证，并在复杂微观结构（包括双连续形态）上进行测试。

实验结果

研究问题

• RQ1 深度学习模型能否仅从初始微观结构和应力场准确预测复合材料中长期裂纹扩展模式？
• RQ2 该模型在不同增强相强度的复合材料微观结构上泛化能力如何？
• RQ3 该模型能否以高保真度捕捉复杂裂纹形态（如双连续复合材料中的裂纹）？
• RQ4 迁移学习在未见复合材料体系上的预测精度提升程度如何？
• RQ5 该模型能否同时预测完整的应力-应变响应与裂纹演化，实现性能评估？

主要发现

• Crack-Net 在预测裂纹路径与演化模式方面表现出高精度，与计算成本高昂的相场模拟结果高度吻合。
• 该模型成功预测了复杂双连续微观结构中的裂纹扩展，展现出对形态复杂性的强鲁棒性。
• 迁移学习显著提升了泛化能力，使模型能够对预训练阶段未见过的增强相强度的复合材料实现准确预测。
• 与传统有限元方法相比，该模型将推理时间减少了多个数量级，支持实时或近实时的断裂分析。
• 预测的应力-应变曲线与参考模拟结果高度一致，验证了模型在捕捉机械响应与损伤演化同步方面的能力。
• 注意力图清晰标示出关键的应力集中区域，证实模型学习到了具有物理意义的裂纹形核机制。