问题无关机器学习增强的复合材料代表体元方法

【作者】 孙直； 郭旭；

【机构】 大连理工大学；

【摘要】 复合材料的性能预测通常需要使用代表体元法(RVE)来处理周期性结构,但传统的代表体元法存在计算成本、尺寸效应、边界条件处理上的问题,在应对大规模问题时计算复杂度大、边界处理困难。为提高计算效率,现基于问题无关机器学习框架,给出代表体元法的机器学习增强方案。方案根据复合材料特征设置了机器学习模型以预测材料的宏观性能,通过问题无关机器学习框架有效减少代表体元法有限元分析的计算时间,并解决边界条件处理的困难。与传统RVE进行了对比,讨论单元数量、单元类型对计算结果的影响。结果表明,该方法保证预测精度,有效减少代表体元法对大规模网格问题计算所花费的成本,并且具有良好的稳定性。最后,对复合材料中的随机缺陷影响加以考虑,验证方法对复合材料性能预测的有效性更多还原