Rede neural fisicamente recorrente para materiais heterogêneos dependentes da taxa e do caminho em um framework de deformação finita

Neste trabalho, um modelo substituto híbrido baseado em física e orientado a dados para a análise em microescala de material heterogêneo é investigado. O modelo proposto se beneficia do conhecimento baseado em física contido nos modelos constitutivos usados no micromodelo de ordem total, incorporando-os em uma rede neural. Seguindo desenvolvimentos anteriores, este artigo estende a aplicabilidade da rede neural fisicamente recorrente (PRNN) introduzindo uma arquitetura adequada para materiais dependentes da taxa em um framework de deformação finita. Neste modelo, o gradiente de deformação homogeneizado do micromodelo é codificado em um conjunto de gradientes de deformação que servem como entrada para os modelos constitutivos incorporados. Esses modelos constitutivos computam tensões, que são combinadas em um decodificador para prever a tensão homogeneizada, de modo que as variáveis internas dos modelos constitutivos dependentes da história forneçam naturalmente uma memória baseada em física para a rede. Para demonstrar as capacidades do modelo substituto, consideramos um micromodelo composto unidirecional com fibras elásticas transversalmente isotrópicas e material de matriz elasto-viscoplástico. As propriedades de extrapolação do modelo substituto treinado para substituir tal micromodelo são testadas em cenários de carregamento não vistos durante o treinamento, variando de diferentes taxas de deformação a carregamento cíclico e relaxamento. Ganhos de velocidade de três ordens de magnitude em relação ao tempo de execução do micromodelo original são obtidos.