A spatiotemporal deep learning framework for prediction of crack dynamics in heterogeneous solids: efficient mapping of concrete microstructures to its fracture properties

要約

コンクリートメソ構造の破壊を 2D 全領域予測できる時空間深層学習フレームワークを提案します。
このフレームワークは、破壊を予測するだけでなく、界面遷移ゾーンでの亀裂の発生からその後のモルタル母材での亀裂の伝播に至るまで、破壊プロセスの全履歴を捕捉します。
さらに、メソ構造の平均応力-ひずみ曲線を予測できる畳み込みニューラル ネットワークが開発されています。
スキップ接続を備えたエンコーダ/デコーダ セクションで構成される UNet モデリング フレームワークが、ディープ ラーニング サロゲート モデルとして使用されます。
トレーニング データとテスト データは、ランダムに生成されたコンクリート メソ構造の高忠実度破壊シミュレーションから生成されます。
これらのメソ構造には、さまざまな骨材粒子の幾何学的特徴、空間分布、骨材の総体積分率などの幾何学的変動が含まれます。
破壊シミュレーションは、破壊モデリング アプローチとして凝集位相場破壊モデリング技術を利用して、Abaqus で実行されます。
この研究では、トレーニング データセットの数を減らすために、三相コンクリート メソ構造の 3 セットの材料特性の空間分布と空間位相場損傷指数が UNet に供給され、対応する応力と空間的損傷指数が予測されます。
次のステップでのダメージ指数。
この方法論を使用したトレーニング プロセスの後、UNet モデルは 470 個のデータセットを使用して、目に見えないテスト データセットの損傷を正確に予測できることが示されています。
さらに、この研究のもう 1 つの新しい側面は、開発されたパイプラインを使用して、不規則な有限要素データを規則的なグリッドに変換することです。
このアプローチにより、それほど複雑でない UNet アーキテクチャの実装が可能になり、将来の開発のために位相場破壊方程式を代理モデルに統合することが容易になります。

要約(オリジナル)

A spatiotemporal deep learning framework is proposed that is capable of 2D full-field prediction of fracture in concrete mesostructures. This framework not only predicts fractures but also captures the entire history of the fracture process, from the crack initiation in the interfacial transition zone to the subsequent propagation of the cracks in the mortar matrix. In addition, a convolutional neural network is developed which can predict the averaged stress-strain curve of the mesostructures. The UNet modeling framework, which comprises an encoder-decoder section with skip connections, is used as the deep learning surrogate model. Training and test data are generated from high-fidelity fracture simulations of randomly generated concrete mesostructures. These mesostructures include geometric variabilities such as different aggregate particle geometrical features, spatial distribution, and the total volume fraction of aggregates. The fracture simulations are carried out in Abaqus, utilizing the cohesive phase-field fracture modeling technique as the fracture modeling approach. In this work, to reduce the number of training datasets, the spatial distribution of three sets of material properties for three-phase concrete mesostructures, along with the spatial phase-field damage index, are fed to the UNet to predict the corresponding stress and spatial damage index at the subsequent step. It is shown that after the training process using this methodology, the UNet model is capable of accurately predicting damage on the unseen test dataset by using 470 datasets. Moreover, another novel aspect of this work is the conversion of irregular finite element data into regular grids using a developed pipeline. This approach allows for the implementation of less complex UNet architecture and facilitates the integration of phase-field fracture equations into surrogate models for future developments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google