在有限应变框架下针对速率和路径依赖的非均质材料的物理递归神经网络

在这项工作中，研究了一种用于非均质材料微观分析的混合物理基础数据驱动代理模型。所提出的模型通过将材料模型嵌入神经网络中，利用了全阶微观模型中包含的基于物理学的知识。基于之前的开发，本文通过引入适合于有限应变框架下速率依赖材料的架构，扩展了物理递归神经网络（PRNN）的适用性。在该模型中，微观模型的均化变形梯度被编码为一组作为输入的变形梯度，供嵌入的本构模型使用。这些本构模型计算应力，并在解码器中结合以预测均化应力，从而使历史依赖本构模型的内部变量自然为网络提供基于物理的记忆。为了展示代理模型的能力，我们考虑了一种具有横向各向同性弹性纤维和弹性-粘塑性基体材料的单向复合微模型。在未见过的加载情形下测试替换此类微模型的代理模型的外推特性，涵盖了不同的应变速率、周期加载和松弛。相较于原始微观模型的运行时间，获得了三个数量级的加速。• 针对有限应变下的3D各向异性材料扩展物理递归神经网络（PRNN）。• 基于物理的本构模型被嵌入到网络中。• PRNN的记忆基于嵌入材料模型的内部变量演变。• 网络成功地重现了应变速率依赖性和卸载，而无需为此进行训练。• 与原始微观模型相比，获得了三个数量级的加速。