[论文解读] StressNet: Deep Learning to Predict Stress With Fracture Propagation in Brittle Materials

Yinan Wang, Diane Oyen+8 more|arXiv (Cornell University)|Nov 20, 2020

Rock Mechanics and Modeling参考文献 33被引用 8

一句话总结

StressNet 是一种物理信息深度学习模型，利用时间独立卷积神经网络（TI-CNN）提取空间特征，通过双向长短期记忆网络（Bi-LSTM）捕捉时间动态，从而预测脆性材料在裂纹扩展过程中完整的最大内应力序列。该模型在高保真 HOSS 模拟数据上进行训练，实现 20 秒内多步预测的平均 MAPE 为 2%，比 4 小时的 FDEM 基线快 70 倍以上，同时准确捕捉关键的应力波动和峰值。

ABSTRACT

Catastrophic failure in brittle materials is often due to the rapid growth and coalescence of cracks aided by high internal stresses. Hence, accurate prediction of maximum internal stress is critical to predicting time to failure and improving the fracture resistance and reliability of materials. Existing high-fidelity methods, such as the Finite-Discrete Element Model (FDEM), are limited by their high computational cost. Therefore, to reduce computational cost while preserving accuracy, a novel deep learning model, "StressNet," is proposed to predict the entire sequence of maximum internal stress based on fracture propagation and the initial stress data. More specifically, the Temporal Independent Convolutional Neural Network (TI-CNN) is designed to capture the spatial features of fractures like fracture path and spall regions, and the Bidirectional Long Short-term Memory (Bi-LSTM) Network is adapted to capture the temporal features. By fusing these features, the evolution in time of the maximum internal stress can be accurately predicted. Moreover, an adaptive loss function is designed by dynamically integrating the Mean Squared Error (MSE) and the Mean Absolute Percentage Error (MAPE), to reflect the fluctuations in maximum internal stress. After training, the proposed model is able to compute accurate multi-step predictions of maximum internal stress in approximately 20 seconds, as compared to the FDEM run time of 4 hours, with an average MAPE of 2% relative to test data.

研究动机与目标

• 为解决在动态加载下准确预测脆性材料最大内应力的挑战，这对防止灾难性失效至关重要。
• 克服高保真模拟方法（如 FDEM 和 HOSS）计算成本高昂的问题，这些方法每次运行需数小时。
• 开发一种数据驱动的代理模型，以高精度捕捉裂纹的时空演化模式，包括空间裂纹形态和时间上的应力演化。
• 将裂纹路径、层裂区域等物理信息特征整合进深度学习架构，以提升模型的泛化能力和可靠性。
• 实现在材料可靠性与安全评估中快速、多步预测应力序列的能力。

提出的方法

• 使用时间独立卷积神经网络（TI-CNN）从二维应力场图像中提取裂纹路径和层裂区域等裂纹形态的空间特征。
• 采用双向长短期记忆网络（Bi-LSTM）捕捉应力演化序列中的时间依赖性，实现高精度的多步预测。
• 采用自适应损失函数，动态结合均方误差（MSE）与平均绝对百分比误差（MAPE），以更好地处理时间序列中的应力波动和峰值。
• 模型在高保真 HOSS 模拟数据上进行端到端训练，以初始应力和裂纹扩展数据为输入，预测完整的应力演化序列。
• 在 TI-CNN 和 Bi-LSTM 分支之间进行特征融合，联合建模应力发展的时空动态。
• 在未见的测试数据上评估模型性能，通过 MAPE、MSE 及与真实值和基线模型的可视化对比进行衡量。

实验结果

研究问题

• RQ1 在给定初始应力和裂纹数据的前提下，深度学习模型能否准确预测脆性材料在裂纹扩展过程中完整的最大内应力序列？
• RQ2 与通用特征学习相比，整合物理信息空间特征（如裂纹路径、层裂区域）在多大程度上提升了预测精度？
• RQ3 结合 TI-CNN 和 Bi-LSTM 的混合深度学习架构，在捕捉应力波动和峰值方面，与传统统计或序列模型相比，优势有多大？
• RQ4 一种平衡 MSE 和 MAPE 的自适应损失函数，能否在高变异性条件下提升应力预测的泛化能力和鲁棒性？
• RQ5 与高保真 FDEM 模拟相比，所提出的模型在保持误差低于 2% 的前提下，预测速度能提升多少倍？

主要发现

• StressNet 在测试数据上实现了平均 2% 的平均绝对百分比误差（MAPE），显著优于历史平均、Bi-LSTM 和 LSTM 等基线模型。
• 模型在约 20 秒内完成最大内应力序列的完整预测，相比 4 小时的 FDEM 基线，计算时间减少 99%。
• 所提出的结合 MSE 与 MAPE 的自适应损失函数，使模型能够有效捕捉对断裂预测至关重要的应力波动及极端值（峰值与谷值）。
• 图 6 和图 7 的可视化对比显示，采用动态损失函数的 StressNet 能够紧密跟踪真实值，尤其在捕捉尖锐峰值和快速变化方面表现优异，而其他模型则趋于收敛至平均值。
• 模型在未见的裂纹扩展场景中表现出良好泛化能力，展示了在不同加载条件和材料属性下的灵活性。
• TI-CNN 与 Bi-LSTM 分支的融合使模型能够学习裂纹形态与应力演化之间复杂的非线性关系，显著优于将空间与时间特征分开处理的模型。