Recurrent neural networks and transfer learning for elasto-plasticity in woven composites

要約

この記事では、計算集約型の織物複合材料のメソスケール シミュレーションの代用として、リカレント ニューラル ネットワーク (RNN) モデルを紹介します。
RNN モデルでは、転移学習の力を活用して、周期せん断ひずみ荷重に固有の初期化の課題とスパース データの問題に対処します。
平均場モデルは、弾塑性挙動を表す包括的なデータセットを生成します。
シミュレーションでは、任意の 6 次元ひずみ履歴を使用して、ソース タスクとしてランダム歩行、ターゲット タスクとして周期的荷重条件の下での応力を予測します。
サブスケール プロパティを組み込むことで、RNN の汎用性が向上します。
正確な予測を達成するために、モデルはグリッド検索方法を使用してネットワーク アーキテクチャとハイパーパラメーター構成を調整します。
この研究の結果は、転移学習を使用して RNN をさまざまなひずみ条件に効果的に適応させることができることを示しており、織物複合材料における経路依存応答をモデル化するための有用なツールとしての可能性が確立されています。

要約(オリジナル)

As a surrogate for computationally intensive meso-scale simulation of woven composites, this article presents Recurrent Neural Network (RNN) models. Leveraging the power of transfer learning, the initialization challenges and sparse data issues inherent in cyclic shear strain loads are addressed in the RNN models. A mean-field model generates a comprehensive data set representing elasto-plastic behavior. In simulations, arbitrary six-dimensional strain histories are used to predict stresses under random walking as the source task and cyclic loading conditions as the target task. Incorporating sub-scale properties enhances RNN versatility. In order to achieve accurate predictions, the model uses a grid search method to tune network architecture and hyper-parameter configurations. The results of this study demonstrate that transfer learning can be used to effectively adapt the RNN to varying strain conditions, which establishes its potential as a useful tool for modeling path-dependent responses in woven composites.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google