AI与断裂力学的交叉研究

 

不同的人工智能（AI）方法已被应用于岩石力学的各个方面，但这些方法都没有被用作标准，这意味着它们的通用性和有效性仍然存在疑问。为此，对人工智能在岩石力学领域的应用进行了文献综述。对在岩石力学、计算机在工程中的应用和教科书等领域的顶级期刊上发表的研究进行了综合研究。评估了人工智能方法在岩石力学应用中的性能。文献综述表明，人工智能方法已成功地用于解决岩石力学领域的各种问题，并且它们的性能优于传统的经验、数学或统计方法。然而，它们的实际适用性仍然是一个令人担忧的问题，因为许多现有的人工智能模型在使用之前需要一定程度的专业知识，因为它们不是可处理的数学方程的形式。因此，一些先进的人工智能方法仍有待探索。人工智能模拟数据集的可用性有限也是一个主要问题。随后在研究中提出了解决已发现问题的方法和未来可能的研究重点。

 

 

 

 

 

 

了解聚合物基电介质的击穿机制对于实现高密度能量存储至关重要。本文建立了一个综合的相场模型来研究聚合物基电介质击穿过程中的电、热和机械效应。对填充有不同性质纳米颗粒的P（VDF-HFP）基纳米复合材料进行了高通量模拟。在高通量模拟的数据库上进行机器学习，以产生击穿强度的分析表达式，该表达式通过有针对性的实验测量得到验证，并可用于半定量预测P（VDF-HFP）基纳米复合材料的击穿强度。本工作为聚合物纳米复合电介质的击穿机制提供了基本的见解，并建立了一个强大的材料设计理论框架，用于优化其击穿强度，从而通过筛选合适的纳米填料来最大限度地提高其能量存储。它可以潜在地扩展到优化其他类型材料的性能，如热电和固体电解质。

 

 

 

 

在这项工作中，我们通过将相位场方法和深度学习适当结合，提出了一种预测结构剩余使用寿命（RUL）的新方法。在这种新方法中，首先利用相场方法获得裂纹扩展的结构响应，并将其进一步保存为图像。然后，构造卷积神经网络（CNN）来建立预测模型。所提出的方法是物理和数据驱动技术的混合模型，可以在传统的计算断裂力学和深度学习算法之间架起一座桥梁。研究了几个数值例子来评估所提出方法的预测性能。分析结果表明，该方法能够高精度地预测结构的RUL。

 

 

 

裂缝的相场建模在计算上是昂贵的，因为它需要非常精细的网格来解决损伤区域。因此，这种模型的实际应用受到严重限制。局部细化技术通常是必要的。在我们最近的工作中（Goswami等人，2019），为了使用物理信息神经网络（PINN）解决脆性断裂问题，通过最小化系统的变分能量来解决裂纹路径。然而，在Goswami等人（2019）中，我们使用了基于故障路径先验信息的预细化域，这并不总是可用的。在这项工作中，我们提出了一种自适应h细化方案，以沿着裂纹生长的路径局部细化域。相位场参数和基于残差的后验误差估计器是确定是否需要细化的方便措施。对于，选择临界阈值，使其低于裂纹成核发生时的值，并且易于识别断裂区域。另一方面，对于基于残差的误差估计器，对导致最高误差的元素进行标记以进行细化。所提出的算法将使用NURBS面片描述的几何体作为输入。为了评估基函数，我们开发了一个基于Bézier重新表示的程序，并将其与自适应精化公式相结合。通过文献中几个例子的可用解析解，验证了使用自适应精化集成变分能量PINN方法获得的结果。所提出的方法在几个二维和三维的例子中得到了实施，以说明该公式的有效性。复 制文章中示例的结果所需的代码和数据将通过GitHub存储库提供。