Deep Learning sagt pfadabhängige Plastizität voraus

Die Plastizitätstheorie zielt darauf ab, die Fließloci und die Werkstoffeindestigung eines Materials unter allgemeinen Deformationszuständen zu beschreiben. Der Großteil ihrer Komplexität ergibt sich aus der nicht trivialen Abhängigkeit der Fließloci von der vollständigen Deformationsgeschichte eines Materials und seiner Mikrostruktur. Dies motivierte 3 geniale Vereinfachungen, die ein Jahrhundert an Entwicklungen in diesem Bereich untermauerten: 1) Fließkriterien, die die Lage der Fließloci beschreiben; 2) assoziative oder nicht-assoziative Fließregeln, die die Richtung des plastischen Flusses definieren; und 3) effektive Spannungs-Dehnungs-Gesetze, die mit dem Prinzip der plastischen Arbeitäquivalenz konsistent sind. Es ergeben sich jedoch 2 wesentliche Komplikationen aus diesen Vereinfachungen. Erstens ist es nicht trivial, Gleichungen zu finden, die diese 3 Annahmen für Materialien mit komplexen Mikrostrukturen beschreiben. Zweitens muss die Entwicklung der Fließfläche iterativ nachverfolgt werden, d.h. durch einen Rückführungsalgorithmus. Hier zeigen wir, dass diese Annahmen im Kontext des sequenziellen Lernens bei der Verwendung von rekurrenten neuronalen Netzwerken nicht notwendig sind, wodurch die oben genannten Komplikationen umgangen werden. Diese Arbeit bietet eine Alternative zu den derzeit etablierten Plastizitätsformulierungen, indem sie die Grundlagen für die Entwicklung von geschichtshistorie- und mikrostrukturabhängigen konstitutiven Modellen durch Deep Learning bereitstellt.