[论文解读] How machine learning can help the design and analysis of composite materials and structures?

Xin Liu, Su Tian+3 more|arXiv (Cornell University)|Oct 14, 2020

Composite Material Mechanics参考文献 140被引用 6

一句话总结

本文综述了人工神经网络（ANNs）如何通过加速多尺度建模、实现非线性本构建模以及支持稳健设计优化，提升复合材料与结构的设计与分析。文中强调，ANNs作为数据驱动的代理模型，可在整合物理信息与实验数据以提升准确性与可解释性的同时，降低计算成本，为下一代复合材料设计提供一种混合框架。

ABSTRACT

Machine learning models are increasingly used in many engineering fields thanks to the widespread digital data, growing computing power, and advanced algorithms. Artificial neural networks (ANN) is the most popular machine learning model in recent years. Although many ANN models have been used in the design and analysis of composite materials and structures, there are still some unsolved issues that hinder the acceptance of ANN models in the practical design and analysis of composite materials and structures. Moreover, the emerging machine learning techniques are posting new opportunities and challenges in the data-based design paradigm. This paper aims to give a state-of-the-art literature review of ANN models in the nonlinear constitutive modeling, multiscale surrogate modeling, and design optimization of composite materials and structures. This review has been designed to focus on the discussion of the general frameworks and benefits of ANN models to the above problems. Moreover, challenges and opportunities in each key problem are identified and discussed. This paper is expected to open the discussion of future research scope and new directions to enable efficient, robust, and accurate data-driven design and analysis of composite materials and structures.

研究动机与目标

• 综述人工神经网络（ANNs）在复合材料与结构中最新应用的现状，重点关注非线性本构建模、多尺度代理建模和设计优化。
• 识别在复合材料设计中应用ANNs时面临的关键挑战与机遇，尤其关注数据稀缺性、模型可解释性以及物理一致性问题。
• 倡导将ANNs与物理模型、实验数据及数据科学相结合的混合方法，以提升预测准确性并减少对大规模数据集的依赖。
• 通过概述复合材料与结构数据驱动、稳健且可解释建模的新兴方向，激发未来研究。

提出的方法

• 采用文献综述框架，分析ANNs在三个核心应用领域中的应用：非线性本构建模、多尺度代理建模和设计优化。
• 根据数据来源对机器学习应用进行分类：实验数据（用于发现未知物理规律）和仿真数据（用于加速昂贵的模型）。
• 提出在ANN损失函数中嵌入物理约束，以提高模型一致性并减少所需训练数据量。
• 引入使用间接数据——源自物理模型或结构试验的数据——来训练ANNs以学习组分尺度的本构关系，而无需直接的材料性能测量。
• 强调通过降维技术（如主成分分析，PCA）和多保真度数据融合，降低输入复杂度与计算成本。
• 建议通过用户自定义子程序将ANNs集成到商业有限元软件中，以实现在工程工作流中的实际部署。

实验结果

研究问题

• RQ1 当基于物理的模型不足以描述时，ANNs应如何有效用于建模复合材料复杂的非线性本构行为？
• RQ2 ANNs在不牺牲精度的前提下，以何种方式可作为代理模型加速多尺度模拟？
• RQ3 在复合材料的稳健设计优化中，如何量化并管理ANN模型与设计变量中的不确定性？
• RQ4 物理信息机器学习在减少数据需求和增强复合材料建模可解释性方面发挥何种作用？
• RQ5 如何系统性地结合实验与仿真数据，以训练出能在不同尺度和破坏机制间泛化的ANNs？

主要发现

• ANNs在替代昂贵的基于物理的多尺度模拟方面展现出强大潜力，显著降低计算成本的同时保持预测精度。
• 物理信息ANNs通过在损失函数中嵌入约束，减少了对大规模训练数据集的需求，并提高了物理一致性。
• 即使缺乏直接材料测试，也可利用结构或试件试验的间接数据训练ANNs，以学习组分尺度的本构规律。
• 通过整合主成分分析等数据科学技术，可降低输入维度，从而降低ANN训练的计算成本。
• 尽管已取得进展，但ANN模型自身的不确定性量化仍面临挑战，基于ANN的稳健设计优化研究仍处于早期阶段。
• 结合ANNs、物理模型、实验数据与数据科学的混合框架，正成为实现高精度、高效率与可解释性复合材料设计的有前景路径。