[论文解读] Machine learning materials physics: Deep neural networks trained on elastic free energy data from martensitic microstructures predict homogenized stress fields with high accuracy

Koki Sagiyama, Krishna Garikipati|arXiv (Cornell University)|Jan 2, 2019

Composite Material Mechanics参考文献 9被引用 13

一句话总结

该论文提出了一种基于深度神经网络（DNN）的均质化框架，通过直接数值模拟（DNS）马氏体微观结构的数据，学习超弹性本构关系。DNN仅基于梯度强制、非凸有限应变超弹性理论的标量弹性自由能数据进行训练，即可高保真地准确预测均质化应力场，表明仅通过能量数据训练即可恢复导数信息（应力），从而实现对复杂微观结构的精确、数据驱动的粗粒化建模。

ABSTRACT

We present an approach to numerical homogenization of the elastic response of microstructures. Our work uses deep neural network representations trained on data obtained from direct numerical simulation (DNS) of martensitic phase transformations. The microscopic model leading to the microstructures is based on non-convex free energy density functions that give rise to martensitic variants, and must be extended to gradient theories of elasticity at finite strain. These strain gradients introduce interfacial energies as well as coercify the model, enabling the admission of a large number of solutions, each having finely laminated microstructures. The numerical stiffness of these DNS solutions and the fine scales of response make the data expensive to obtain, while also motivating the search for homogenized representations of their response for the purpose of engineering design. The high-dimensionality of the problem is reduced by training deep neural networks (DNNs) on the effective response by using the scalar free energy density data. The novelty in our approach is that the trained DNNs also return high-fidelity representations of derivative data, specifically the stresses. This allows the recapitulation of the classic hyperelastic response of continuum elasticity via the DNN representation. Also included are detailed optimization studies over hyperparameters, and convergence with size of datasets.

研究动机与目标

• 开发一种面向马氏体微观结构的数据驱动均质化方法，避免在工程设计中使用计算成本高昂的直接数值模拟（DNS）。
• 解决马氏体相变中梯度强制、非凸超弹性理论的DNS计算成本高且需要精细尺度分辨率的问题。
• 实现仅通过标量自由能数据训练的DNN，准确预测宏观应力-应变响应，无需显式应力监督。
• 通过严格的收敛性分析与超参数优化研究，验证DNN恢复超弹性行为（包括导数场，即应力）的能力。

提出的方法

• 该方法使用有限应变下梯度强制、非凸超弹性模型的直接数值模拟（DNS），生成高保真度的微观结构及其对应的标量自由能密度数据。
• 深度神经网络（DNN）仅基于DNS输出的标量自由能密度数据进行训练，不直接访问应力或应变数据。
• 随后利用DNN通过自动微分技术预测均质化应力场，从而实现仅从能量数据训练中恢复导数信息（应力）。
• 通过超参数优化与学习曲线分析，确保模型在数据集规模增加时的鲁棒性与收敛性。
• 采用相对误差指标 $\overline{\Psi}$ 和 $\overline{S}_{IJ}$ 将DNN预测的均质化应力与自由能与DNS结果进行对比。
• 分析误差随数据集规模增加的收敛性，结果表明误差呈现 $\sim N^{-1/6}$ 的缩放规律，证实了模型的保真度与泛化能力。

实验结果

研究问题

• RQ1 仅通过标量弹性自由能数据训练的深度神经网络能否在复杂马氏体微观结构中高精度预测均质化应力场？
• RQ2 当仅基于能量数据训练时，DNN表示是否保留了连续介质力学中超弹性的结构？
• RQ3 DNN模型的精度如何随训练数据集规模的增加而变化？其收敛速率如何？
• RQ4 DNN模型能否泛化以捕捉梯度强制、非凸超弹性材料的非线性、有限应变响应？
• RQ5 超参数调优对基于DNN的均质化本构模型精度与稳定性有何影响？

主要发现

• 仅基于标量自由能数据训练的DNN成功高精度预测了均质化应力场，表明可通过自动微分技术从能量数据中恢复导数场（应力）。
• 随着数据集规模的增加，自由能与应力分量的相对误差收敛速率约为 $\sim N^{-1/6}$，与经典新胡克模型的收敛行为一致。
• 预测的均质化自由能与应力分量的绝对误差较低，且与基于经典新胡克模型训练的DNN结果相当，表明具有强大的预测保真度。
• DNN表示再现了连续介质弹性力学中的超弹性响应，证实所学习的模型保留了底层物理的基本结构。
• 超参数优化与学习曲线分析表明，即使在训练数据有限的情况下，模型在输入特征空间中仍具有鲁棒性与良好的泛化能力。
• 该方法实现了对复杂马氏体微观结构的精确、高效均质化，且训练过程中无需显式应力数据，为多尺度材料建模提供了可扩展的路径。