[论文解读] Reduced-Order Modeling through Machine Learning Approaches for Brittle Fracture Applications

Abigail Hunter, Bryan A. Moore+10 more|arXiv (Cornell University)|Jun 5, 2018

Non-Destructive Testing Techniques参考文献 38被引用 7

一句话总结

本文提出了一种物理信息机器学习框架，用于混凝土脆性断裂的降阶建模，利用高保真有限-离散元模型（HOSS）生成150组训练仿真。研究对比了五种方法——四种基于机器学习的方法和一种纯物理方法——表明将数据驱动学习与物理约束（如应力强度因子、裂纹相互作用）相结合，能最准确地预测裂纹扩展、汇聚及失效时间，其中McPIC模型通过平衡物理洞察与数据学习，在各项指标上优于其他模型。

ABSTRACT

In this paper, five different approaches for reduced-order modeling of brittle fracture in geomaterials, specifically concrete, are presented and compared. Four of the five methods rely on machine learning (ML) algorithms to approximate important aspects of the brittle fracture problem. In addition to the ML algorithms, each method incorporates different physics-based assumptions in order to reduce the computational complexity while maintaining the physics as much as possible. This work specifically focuses on using the ML approaches to model a 2D concrete sample under low strain rate pure tensile loading conditions with 20 preexisting cracks present. A high-fidelity finite element-discrete element model is used to both produce a training dataset of 150 simulations and an additional 35 simulations for validation. Results from the ML approaches are directly compared against the results from the high-fidelity model. Strengths and weaknesses of each approach are discussed and the most important conclusion is that a combination of physics-informed and data-driven features are necessary for emulating the physics of crack propagation, interaction and coalescence. All of the models presented here have runtimes that are orders of magnitude faster than the original high-fidelity model and pave the path for developing accurate reduced order models that could be used to inform larger length-scale models with important sub-scale physics that often cannot be accounted for due to computational cost.

研究动机与目标

• 开发计算高效的几何材料（特别是混凝土）脆性断裂降阶模型（ROMs），以克服高保真仿真带来的高昂计算成本。
• 探究如何将机器学习与基于物理的假设相结合，以准确模拟在拉伸载荷下裂纹网络的演化、相互作用与汇聚。
• 与高保真HOSS模型对比，评估多种机器学习与纯物理方法在预测失效路径和失效时间方面的性能表现。
• 识别在建模复杂断裂现象时，数据驱动学习与物理信息约束之间的最优平衡点。
• 通过提供快速、精确的ROM，实现将亚尺度断裂物理信息整合到更大尺度连续介质模型中。

提出的方法

• 采用高保真有限-离散元模型（HOSS）对150个二维混凝土试样进行仿真，每个试样包含20个随机分布的初始裂纹，在纯拉伸载荷下进行模拟。
• 基于HOSS仿真数据训练了四种机器学习模型（OP、McPIC、NFPZ、EPZ），用于预测裂纹扩展与失效，其特征同时来源于数据与物理规律。
• SPA（单路径方法）作为纯物理基线，依赖最短路径算法，不涉及学习过程。
• McPIC模型引入了物理信息特征，如应力强度因子与成对裂纹相互作用，采用随机森林回归器学习裂纹扩展行为。
• NFPZ与EPZ模型使用神经网络，从包括裂纹长度、方向及局部应力场在内的特征中进行学习。
• 所有模型均通过额外35组HOSS仿真进行验证，以评估其在预测失效路径与失效时间方面的准确性。

实验结果

研究问题

• RQ1 在拉伸载荷下，不同机器学习方法在预测脆性断裂中裂纹扩展与汇聚方面的表现如何比较？
• RQ2 将物理信息特征（如应力强度因子、裂纹间距）整合到机器学习模型中，对预测准确性有何影响？
• RQ3 降阶模型是否能达到足够高的精度，以替代高保真仿真，同时将运行时间降低数个数量级？
• RQ4 在建模复杂断裂动力学时，是否存在数据驱动学习与基于物理的约束之间的最优平衡点？
• RQ5 与高保真仿真相比，基于机器学习的ROM在预测失效路径与失效时间方面表现如何？

主要发现

• McPIC模型通过结合物理信息特征（如应力强度因子、成对相互作用）与机器学习，对失效路径与失效时间的预测最为准确。
• 仅依赖数据的模型（如仅使用裂纹长度的OP）或完全依赖简化物理的模型（如SPA）表现较差，原因在于欠拟合或过度简化。
• 物理信息特征与数据驱动学习的结合实现了最佳性能，表明两者协同作用存在一个‘恰到好处’的平衡区域，二者缺一不可。
• 所有基于机器学习的模型运行时间均在数秒至数分钟之间，相比高保真HOSS模型，运行时间显著降低数个数量级。
• McPIC模型展现出与高保真仿真高度一致的裂纹汇聚与扩展模式预测能力。
• 本研究证实，物理信息特征在建模复杂断裂现象（尤其是裂纹相互作用）中对泛化能力与准确性至关重要。