[论文解读] Intelligent multiscale simulation based on process-guided composite database

Zeliang Liu, Haoyan Wei+2 more|arXiv (Cornell University)|Mar 20, 2020

Composite Material Mechanics参考文献 46被引用 20

一句话总结

本文提出了一种基于工艺引导的复合材料数据库的智能多尺度仿真框架，用于注塑成型短纤维增强复合材料。通过整合随机代表性体积元（RVE）生成、深度材料网络（DMN）学习以及并行多尺度有限元法（FEM），该方法能够实现对跨尺度非线性、各向异性材料行为的精确、物理信息驱动的预测，同时利用迁移学习实现统一、可外推的材料数据库。

ABSTRACT

In the paper, we present an integrated data-driven modeling framework based on process modeling, material homogenization, mechanistic machine learning, and concurrent multiscale simulation. We are interested in the injection-molded short fiber reinforced composites, which have been identified as key material systems in automotive, aerospace, and electronics industries. The molding process induces spatially varying microstructures across various length scales, while the resulting strongly anisotropic and nonlinear material properties are still challenging to be captured by conventional modeling approaches. To prepare the linear elastic training data for our machine learning tasks, Representative Volume Elements (RVE) with different fiber orientations and volume fractions are generated through stochastic reconstruction. More importantly, we utilize the recently proposed Deep Material Network (DMN) to learn the hidden microscale morphologies from data. With essential physics embedded in its building blocks, this data-driven material model can be extrapolated to predict nonlinear material behaviors efficiently and accurately. Through the transfer learning of DMN, we create a unified process-guided material database that covers a full range of geometric descriptors for short fiber reinforced composites. Finally, this unified DMN database is implemented and coupled with macroscale finite element model to enable concurrent multiscale simulations. From our perspective, the proposed framework is also promising in many other emergent multiscale engineering systems, such as additive manufacturing and compressive molding.

研究动机与目标

• 解决注塑成型短纤维增强复合材料中空间变化的微观结构以及各向异性、非线性力学行为建模的挑战。
• 开发一种数据驱动、物理信息驱动的建模框架，以捕捉多尺度下复杂微观形貌效应。
• 通过深度学习构建统一、可迁移的材料数据库，实现高效且精确的并行多尺度仿真。
• 将工艺诱导的几何描述符（纤维取向、体积分数）整合到可扩展、可预测的材料建模流程中。

提出的方法

• 通过不同纤维取向和体积分数的随机代表性体积元（RVE）重构，生成线弹性训练数据。
• 应用深度材料网络（DMN），一种物理信息驱动的机器学习模型，从数据中学习隐藏的微观形貌。
• 将关键物理原理嵌入DMN的构建模块中，以确保其在训练数据之外的外推能力。
• 利用迁移学习将不同几何描述符下的DMN模型统一为单一、全面的工艺引导材料数据库。
• 将学习得到的DMN数据库与宏观有限元模型耦合，实现并行多尺度仿真。
• 在注塑成型复合材料上验证该框架，以模拟复杂载荷下的非线性、各向异性响应。

实验结果

研究问题

• RQ1 如何通过数据驱动的多尺度框架精确预测注塑成型短纤维复合材料的非线性、各向异性力学行为？
• RQ2 像DMN这样的物理信息深度学习模型在多大程度上能泛化到未见过的微观结构构型？
• RQ3 能否构建一个工艺引导的复合材料数据库，以统一多尺度下的多样化几何描述符，实现高效仿真？
• RQ4 DMN与有限元方法的集成如何实现精确的并行多尺度仿真？

主要发现

• 所提出的框架通过随机RVE生成，成功捕捉了注塑成型工艺引起的复杂、空间变化的微观结构。
• 由于其架构中嵌入了物理原理，DMN模型在训练数据之外表现出强大的外推能力，可预测非线性材料行为。
• 迁移学习使得构建一个统一的、工艺引导的材料数据库成为可能，该数据库覆盖了完整的纤维取向和体积分数范围。
• 使用DMN数据库进行的并行多尺度仿真在预测短纤维复合材料宏观响应方面表现出高精度和高效率。
• 该框架具有通用性，可应用于其他新兴多尺度系统，如增材制造和压缩成型。