Graph-verstärktes tiefes Materialnetzwerk: Multiskalenmaterialmodellierung mit mikrostruktureller Informatik

Zusammenfassung Diese Studie behandelt die grundlegende Herausforderung, das tiefe Materialnetzwerk (DMN) so zu erweitern, dass es mehrere Mikrostrukturen unterbringen kann. Das DMN hat aufgrund seiner Fähigkeit, für schnelle und genaue nichtlineare Multiskalenmodellierung verwendet zu werden, während es nur auf linear-elastischen Daten trainiert wird, erhebliche Aufmerksamkeit erregt. Aufgrund seiner Beschränkung auf eine einzige Mikrostruktur haben verschiedene Arbeiten versucht, es auf der Grundlage der makroskopischen Beschreibung von Mikrostrukturen zu verallgemeinern. In dieser Arbeit nutzen wir einen mechanistischen maschinellen Lernansatz, der stattdessen auf mikrostruktureller Informatik basiert und potenziell für jede Familie von Mikrostrukturen verwendet werden kann. Dies wird erreicht, indem wir aus der Graphdarstellung von Mikrostrukturen durch graphenbasierte neuronale Netzwerke lernen. Ein solcher Ansatz ist ein Novum in Arbeiten, die mit DMN zusammenhängen. Wir schlagen ein gemischtes graphenbasiertes neuronales Netzwerk (GNN)-DMN-Modell vor, das eigenständig mehrere Mikrostrukturen behandeln und deren DMN-Darstellungen ableiten kann. Zwei Beispiele sind so gestaltet, dass sie die Gültigkeit und Zuverlässigkeit des Ansatzes demonstrieren, selbst wenn es um die Vorhersage nichtlinearer Reaktionen für während des Trainings nicht gesehene Mikrostrukturen geht. Darüber hinaus trifft das Modell, das auf Mikrostrukturen mit komplexer Topologie trainiert wurde, genaue Schlussfolgerungen über Mikrostrukturen, die unter anderen und einfacheren Annahmen erstellt wurden. Unsere Arbeit eröffnet die Möglichkeit, die Multiskalenmodellierung vieler Familien von Mikrostrukturen unter einem einzigen Modell zu vereinen sowie neue Möglichkeiten im Materialdesign.