[论文解读] Predicting Mechanical Properties from Microstructure Images in Fiber-reinforced Polymers using Convolutional Neural Networks

Yixuan Sun, Imad Hanhan+2 more|arXiv (Cornell University)|Oct 7, 2020

Non-Destructive Testing TechniquesEngineering参考文献 36被引用 19

一句话总结

本研究提出了一种基于StressNet的全卷积神经网络（FCNN），用于从分割的断层扫描图像中预测纤维增强聚合物二维微观结构切片中的应力场。该模型在单个样品的有限元（FE）仿真数据上进行训练，可在数秒内预测应力分布——相比FE所需的92.5小时，显著提升效率，且能准确捕捉纤维上的高应力区域，表明其在快速识别损伤位置方面具有潜力。

ABSTRACT

Evaluating the mechanical response of fiber-reinforced composites can be extremely time consuming and expensive. Machine learning (ML) techniques offer a means for faster predictions via models trained on existing input-output pairs and have exhibited success in composite research. This paper explores a fully convolutional neural network modified from StressNet, which was originally for lin-ear elastic materials and extended here for a non-linear finite element (FE) simulation to predict the stress field in 2D slices of segmented tomography images of a fiber-reinforced polymer specimen. The network was trained and evaluated on data generated from the FE simulations of the exact microstructure. The testing results show that the trained network accurately captures the characteristics of the stress distribution, especially on fibers, solely from the segmented microstructure images. The trained model can make predictions within seconds in a single forward pass on an ordinary laptop, given the input microstructure, compared to 92.5 hours to run the full FE simulation on a high-performance computing cluster. These results show promise in using ML techniques to conduct fast structural analysis for fiber-reinforced composites and suggest a corollary that the trained model can be used to identify the location of potential damage sites in fiber-reinforced polymers.

研究动机与目标

• 通过用机器学习替代计算成本高昂的有限元分析（FEA），加速纤维增强聚合物的力学响应预测。
• 开发一种数据驱动模型，学习从微观结构图像到应力场的映射关系，而无需依赖显式的物理建模。
• 探究训练后的神经网络是否可仅基于微观结构特征识别早期损伤位置。
• 评估使用深度学习实现非线性、纤维增强聚合物复合材料中快速、准确的应力场预测的可行性。
• 评估在特定加载条件下基于单个微观结构样品训练的模型的泛化能力及其局限性。

提出的方法

• 采用编码器-解码器架构的全卷积神经网络（FCNN）对StressNet进行改进，原StressNet专为线弹性材料设计，现扩展用于处理非线性有限元（FE）仿真。
• 网络在单个三维纤维增强聚合物样品的高保真度FE仿真生成的2D微观结构图像切片及其对应的应力场输出上进行训练。
• 输入数据为分割后的显微图像（包含纤维相与基体相），输出为预测的应力场，具体为σzz（z方向的正应力）。
• 训练使用一个包含4450万个单元的单一样品，模型通过在测试微观结构图像上执行一次前向传播进行评估。
• 通过R²值及预测应力场与FE仿真结果的视觉对比评估模型性能，重点关注纤维附近区域的应力集中现象。
• 未来扩展方向包括使用条件生成对抗网络（conditional GANs）以实现对不同边界条件的泛化，以及采用3D卷积以保留体积分层空间信息。

实验结果

研究问题

• RQ1 仅基于2D微观结构图像，深度学习模型能否准确预测纤维增强聚合物复合材料中的应力场？
• RQ2 在准确性和推理速度方面，FCNN与完整有限元仿真相比表现如何？
• RQ3 训练后的模型能否识别出与实验中观察到的早期损伤位置相对应的高应力区域？
• RQ4 基于单一微观结构样品训练的模型在泛化至其他复合材料或加载条件方面存在哪些局限性？
• RQ5 该模型的预测结果在多大程度上可推广至不同边界条件或3D微观结构？

主要发现

• 在测试集上，训练后的FCNN预测的R²为0.69，解释了FE仿真中真实应力场69%的方差。
• 模型准确捕捉了纤维上的应力集中现象，尤其在与实验中观察到的早期损伤位置对应的区域表现突出。
• 在标准笔记本电脑上，预测推理时间不足一秒，而完整FE仿真在高性能计算集群上需耗时92.5小时。
• 当从xy平面内的微观结构切片预测σzz（z方向正应力）时，模型表现最佳。
• 尽管在纤维应力集中区域的视觉一致性较强，但由于仅基于单一试样训练，模型在捕捉全局应力场变化方面仍存在局限。
• 本研究提出一个推论：此类模型或可仅基于微观结构特征，用于识别纤维增强聚合物中潜在的损伤起始位置。