Identification of microstructure from macroscopic measurement using inverse multiscale analysis
本文提出两步逆分析方法,从宏观测量中识别异质材料的微观结构,包括长度尺度与有效属性,进而确定微观结构。
2024-05-22 cs.CE
A Generative Machine Learning Model for Material Microstructure 3D Reconstruction and Performance Evaluation
University of Jiangnan(江南大学)
本文提出一种融合U-net多尺度特性与GAN生成能力的生成式模型,通过多尺度聚合模块和注意力机制提升三维微观结构重建精度,并首次结合各向异性指数评估生成质量与模型性能。
2024-02-24 cond-mat.mtrl-sci cs.CV cs.LG
TOMAS: Topology Optimization of Multiscale Fluid Devices using Variational Autoencoders and Super-Shapes
本文提出TOMAS框架,通过变分自编码器学习超形状微结构的可微潜空间,并结合坐标神经网络实现流体装置的多尺度拓扑优化,在满足接触面积约束下最小化耗散功率。
2023-09-15 cs.CE cs.NA math.NA
Efficient Nonlinear Multiscale Prediction for Unseen Polycrystalline Textures via Self-Supervised Microstructure Pretraining
National Taiwan University(台湾大学)
研究针对多晶材料不同晶体织构非线性力学响应预测难题,采用自监督预训练策略,先在合成FCC微观结构上预训练编码器,再映射到ODMN参数,实现未见微观结构响应预测,误差低且加速显著,还提高数据效率,提供微观结构-性能推断框架。
2026-07-24 cs.CE
Enhancing Data-driven Multiscale Topology Optimization with Generalized De-homogenization
去均匀化正成为一种有效的方法,显着加快高分辨率的多尺度结构的设计,但现有的方法,迄今为止,仅限于简单的静态顺应性最小化。在适应一般情况下,有两个关键的挑战要解决:使设计的单胞取向和使用自由形式的微结构。在本文中,我们提出了一个数据驱动的去均匀化方法,允许有效的设计的单位细胞的取向角和空间变化的,复杂的微结构的保角映射。我们设计了一个参数化的微结构组成的杆在不同的方向,以提供更多的多样性,同时保持几何简单的刚度。然后用神经网络代替微观结构的几何-性能关系,以避免代价高昂的均匀化。一个笛卡尔表示的单元格的方向被纳入均匀化为基础的优化设计的角度。相应的高分辨率的多尺度结构,从均匀化的设计,通过构造一个保角映射的函数场。这使我们能够组装复杂的微观结构与定向和兼容的瓷砖图案,同时保持局部均匀化的属性。为了证明我们的方法与一个特定的应用程序,我们优化在给定的频率范围内的谐波激励下的结构的频率响应。这是第一次,在去均匀化框架中的一个函数被应用于复杂的设计方案超出静态顺应性最小化。算例表明,多尺度结构的生成效率高,动态性能好得多。除了频率响应设计,我们提出的框架可以应用于其他一般问题。
2021-12-18 cs.CE
Multiscale modeling of inelastic materials with Thermodynamics-based Artificial Neural Networks (TANN)
Nantes Université(南特大学);Ecole Centrale Nantes(南特中央理工学院);CNRS(法国国家科学研究中心)
具有微结构的非弹性材料的力学行为非常复杂,很难用启发式的经验本构模型来把握。为此,多尺度均匀化方法通常用于对固体和结构的宏观力学行为进行可靠、准确的预测。然而,这种方法的计算成本非常高,并且对于涉及非弹性材料的实际规模应用是禁止的。在这里,我们提出了所谓的基于热力学的人工神经网络(TANN)的非弹性和复杂的微观结构的材料的本构建模。我们的方法集成了基于几何学的降维技术和基于几何学的深度神经网络,以自主的方式识别本构律并发现复杂非弹性材料的内部状态变量。TANN在预测平均和局部应力-应变响应,自由能和耗散率的效率和准确性证明了规则和扰动的二维和三维晶格微结构在非弹性。TANN能够识别表征复杂微结构场非弹性变形的内部状态变量。这些内部状态变量,然后被用来重建在给定的状态下的微结构的微变形场。最后,采用双尺度均匀化格式(FEMxTANN)求解大规模边值问题。使用TANN的均匀化模型的高性能说明通过详细的比较与大规模的微观结构计算。一个很好的协议是各种单调和循环应力应变路径。
2022-05-31 cond-mat.mtrl-sci cs.CE cs.LG
Level set-based multiscale topology optimization for a thermal cloak design problem using the homogenization method
复合材料由微观结构组成,根据其形状表现出各种热性能,如各向异性导热率。这种复合材料用于热控制的代表性应用之一是热斗篷。针对热传导问题,提出了一种基于水平集方法的拓扑优化方法,以优化设计复合材料,实现热斗篷。采用均匀化方法计算了其有效导热系数。然后,我们制定了一个多尺度的拓扑优化方法的框架内的均匀化方法,其中的微观结构进行优化,以最小化目标函数定义的宏观温度场的复合材料。给出了二维问题中最优结构的例子,并讨论了所得结构的有效性。
2023-02-24 cs.CE
Data-Driven Calibration of Multi-Fidelity Multiscale Fracture Models via Latent Map Gaussian Process
具有微观孔隙的金属合金的断裂建模依赖于多尺度损伤模拟,其通常忽略制造引起的孔隙度的空间变异性。这种简化是因为显式建模空间变化的微观结构在宏观部分的计算费用过高。为了应对这一挑战,并打开多尺度材料的几何感知设计的大门,我们提出了一个数据驱动的框架,该框架集成了一个机械降阶模型(ROM)与基于随机过程的校准方案。我们的ROM大大加快直接数值模拟(DNS),通过使用稳定的损伤算法,并通过聚类系统地减少自由度。由于聚类影响局部应变场,因此断裂响应,我们校准ROM通过构建一个多保真度的随机过程的基础上潜在的地图高斯过程(LMGPs)。特别地,我们使用LMGP来校准ROM的损伤参数作为微观结构和聚类的函数(即,保真度)级别,使得ROM忠实地替代DNS。我们展示了我们的框架在预测多尺度金属部件的空间变化的孔隙率的损伤行为的应用。我们的结果表明,微观结构孔隙率可以显着影响宏观部件的性能,因此必须在设计过程中考虑。
2022-09-09 cs.CE
Topology Optimization of Multiscale Structures Considering Local and Global Buckling Response
针对各向同性多孔填充多尺度结构,本文结合 Bloch-Floquet 局部屈曲约束与全局屈曲准则开展拓扑优化,显著提升屈曲稳定性并节省计算时间。
2023-04-28 cs.CE math.OC
Data-Driven Multiscale Topology Optimization of Soft Functionally Graded Materials with Large Deformations
本文提出一种通用的多尺度拓扑优化框架,结合微结构重建、均匀化方法、神经网络代理模型与非线性灵敏度分析,实现了大变形下软功能梯度材料与结构的同步优化,并生成具有空间变化微结构的独特设计。
2025-06-29 cs.CE
One-Shot Generative Design for Disordered Metamaterials via Self-Organizing Neural Cellular Automata
Department of Mechanical Engineering, Carnegie Mellon University(机械工程系,卡内基梅隆大学)
研究针对无序超材料设计难题,提出基于神经细胞自动机的生成设计框架,仅需单个训练模板,能生成多样微观结构并适应不同域,通过操纵局部规则实现特定性能控制,在多尺度机械隐身设计中验证了其有效性,为相关领域提供了新方法。
2026-07-17 cs.CE cs.LG
LS-DYNA Machine Learning-based Multiscale Method for Nonlinear Modeling of Short Fiber-Reinforced Composites
ANSYS Inc.(ANSYS公司);JSOL Corporation(JSOL株式会社);Honda Motor Co., Ltd.(本田技研工业株式会社);CoreTech System Co., Ltd.(科盛科技股份有限公司)
短纤维增强复合材料(SFRC)是一种高性能工程材料,用于汽车和电子行业的轻质结构应用。通常,SFRC结构是通过注射成型制造的,这会导致非均匀的微观结构,并且由此产生的非线性各向异性行为是具有挑战性的,通过传统的细观力学分析来预测。在这项工作中,我们提出了一个基于机器学习的多尺度方法,通过集成注射成型诱导的微观结构,材料均匀化,和深层材料网络(DMN)的有限元模拟软件LS-DYNA SFRC的结构分析。DMN是一种嵌入物理的机器学习模型,通过离线训练学习隐藏在复合材料代表性体积单元中的微观材料形态。通过将DMN与有限元耦合,我们开发了一种高精度和高效率的数据驱动方法,该方法以比高保真直接数值模拟快几个数量级的计算速度预测复合材料和结构的非线性行为。为了模拟工业规模的SFRC产品,利用迁移学习来生成统一的DMN数据库,该数据库有效地捕获注塑成型诱导的纤维取向和体积分数对整体复合材料性能的影响。数值算例验证了基于LS-DYNA机器学习的多尺度方法在钢纤维混凝土建模中的良好性能。
2023-01-06 cs.AI cs.CE cs.LG
Intelligent multiscale simulation based on process-guided composite database
Livermore Software Technology, an ANSYS company(Livermore软件技术公司(ANSYS旗下));Northwestern University(西北大学)
在本文中,我们提出了一个集成的数据驱动的建模框架的基础上,过程建模,材料均匀化,机械机器学习,并发多尺度仿真。我们对注塑成型短纤维增强复合材料感兴趣,该材料已被确定为汽车,航空航天和电子工业的关键材料系统。模塑过程在不同的长度尺度上诱导空间变化的微结构,而由此产生的强烈的各向异性和非线性材料特性仍然具有挑战性,通过传统的建模方法来捕获。为了为我们的机器学习任务准备线弹性训练数据,通过随机重建生成具有不同纤维取向和体积分数的代表性体积元素(RVE)。更重要的是,我们利用最近提出的深度材料网络(DMN)从数据中学习隐藏的微尺度形态。通过将基本物理嵌入其构建块中,这种数据驱动的材料模型可以外推以有效准确地预测非线性材料行为。通过DMN的迁移学习,我们创建了一个统一的工艺指导材料数据库,涵盖了短纤维增强复合材料的全方位几何描述符。最后,这个统一的DMN数据库的实施,并与宏观有限元模型,使并发多尺度模拟耦合。从我们的角度来看,所提出的框架在许多其他新兴的多尺度工程系统中也很有前途,例如增材制造和压缩成型。
2020-03-20 cs.CE cs.LG physics.comp-ph
Deep Learning for Multiscale Damage Analysis via Physics-Informed Recurrent Neural Network
通过基于均匀化的并行多尺度模型直接数值模拟分层材料对3D大规模工程应用提出了严峻的挑战,因为在较低尺度下计算高度非线性和路径依赖的材料本构响应会导致过高的计算成本。在这项工作中,我们提出了一个物理信息的数据驱动的深度学习模型作为一个有效的替代品,以模拟不可逆的弹塑性硬化和软化变形下的非均匀微观结构的有效响应。我们的贡献包括几项重大创新。首先,我们提出了一种新的训练方案,以产生任意的加载序列的采样空间中所限定的变形约束,其中每个序列的微结构响应的模拟成本显着降低通过机械降阶模型。其次,我们开发了一个新的顺序学习器,通过定制训练损失函数和数据流架构,结合热力学一致的物理约束。我们还展示了经典的多尺度有限元求解器的框架内的训练代理的集成。我们的数值实验表明,我们的模型显示出显着的精度提高了纯数据驱动的仿真器和显着的效率提高比减少模型。我们相信,我们的数据驱动模型为经典本构律提供了一种计算效率高且力学一致的替代方案,有利于潜在的高通量模拟,这些模拟需要材料均匀化的不可逆行为。
2022-12-26 cs.CE
Multiscale topology optimization of compressible and nearly incompressible anisotropic hyperelastic structures using physics-augmented neural networks
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Sandia National Laboratories(桑迪亚国家实验室)
本文提出一种基于物理增强神经网络的多尺度拓扑优化框架,通过构建输入特定神经网络来替代微尺度边界值问题,实现宏尺度材料分布与微尺度描述符的同时优化,显著降低计算成本。
2026-04-07 cs.CE
A Newton Solver for Micromorphic Computational Homogenization Enabling Multiscale Buckling Analysis of Pattern-Transforming Metamaterials
机械超材料具有工程微结构,旨在表现出异国情调,往往违反直觉,有效的行为。这种行为通常是通过不稳定性引起的底层周期性微结构到一个或多个图案化模式的转换来实现的。由于单个重复微结构单元的强烈运动耦合,非局部行为和尺寸效应出现,这不能容易地被经典的均匀化方案捕获。此外,各个图案模式可以在空间和时间上相互作用,而在工程规模下,整个结构可以全局屈曲。为了有效的数值宏观预测,一个微观的计算均匀化计划最近已经开发出来。虽然这个框架在原则上是能够占空间和时间之间的相互作用的个人模式,其实现依赖于基于梯度的拟牛顿解决方案技术。该求解器是次优的,因为(i)它具有次二次收敛性,以及(ii)缺少Hessians不允许进行适当的分叉分析。考虑到机械超材料通常依赖于受控的不稳定性,这些限制是严重的。为了解决这些问题,本文详细介绍了一种全牛顿法。宏观切线算子的构造并不简单,因为涉及正交约束的微观框架相关的底层位移场的分解上的特定模型假设。给出了总势能一阶变分和二阶变分的解析表达式,并列出了完整的算法。所开发的方法证明了两个例子,其中存在的竞争和多个图案模式出现的地方和全球屈曲之间。
2020-09-03 cond-mat.soft cs.CE
Systematic Performance Assessment of Deep Material Networks for Multiscale Material Modeling
Computational and Multiscale Mechanics Group, Synopsys Inc.(计算与多尺度力学组,Synopsys公司);Synopsys Inc.(Synopsys公司)
本文评估了深度材料网络在多尺度材料建模中的性能,发现IMN在训练效率上有显著提升,同时保持了预测准确性。
2026-02-06 cs.CE cs.LG cs.NA
Characterizing failure morphologies in fiber-reinforced composites via k-means clustering based multiscale framework
School of Mechanical Sciences, Indian Institute of Technology Goa(印度理工学院果阿分校机械科学学院)
提出一种基于k-means聚类的多尺度D-TFA框架,用于高效准确预测纤维增强复合材料的失效形态与方向强度,并通过开孔试样验证其有效性。
2025-09-24 cs.CE physics.comp-ph
Inverse design of anisotropic microstructures using physics-augmented neural networks
本研究提出一种基于部分输入凸神经网络和进化策略的逆向设计方法,用于学习复合材料各向异性并求解微结构设计参数,实现目标力学响应。
2024-12-17 cs.CE
FE${}^\textbf{ANN}$ $-$ An efficient data-driven multiscale approach based on physics-constrained neural networks and automated data mining
提出FE${}^\ ext{ANN}$框架,结合物理约束神经网络与自主数据挖掘,实现高效多尺度模拟,减少微观模拟次数,适用于各向异性非线性超弹性材料。
2022-07-03 cs.CE
Data-driven topology optimization of spinodoid metamaterials with seamlessly tunable anisotropy
我们提出了一个两尺度的拓扑优化框架的宏观机构的设计与优化的弹性响应,这是通过在微观尺度上的空间变化的细胞架构。所选择的spinodoid拓扑结构的细胞网络的微观尺度上(这是由自然的微结构形成的spinodal分解过程中的灵感)承认一个无缝的空间分级以及可调的弹性各向异性,它是参数化的一个小的设计参数与底层的高斯随机场。宏尺度边值问题采用有限元离散,有限元除了位移场外,还连续插值微尺度设计参数。通过假设尺度分离,在宏观尺度上的局部本构行为被识别为基于局部设计参数的微结构的均匀化弹性响应。作为从经典的FE $^2$型方法出发,我们取代了昂贵的微尺度均匀化的数据驱动的代理模型,使用深神经网络,它准确,高效地映射到有效的弹性张量的设计参数。该模型是训练均匀化的刚度数据从有限元数值均匀化。作为一个额外的好处,机器学习设置允许自动微分,因此可以精确计算灵敏度(优化问题所需的),而不需要数值导数-这一策略的前景远远超出了弹性刚度。因此,该框架为基于数据驱动的代理模型的多尺度拓扑优化提供了新的机会。
2021-05-19 cs.CE