Micromechanics-Informed Parametric Deep Material Network for Physics Behavior Prediction of Heterogeneous Materials with a Varying Morphology
Résumé
Deep Material Network (DMN) has recently emerged as a data-driven surrogate model for heterogeneous materials. Given a particular microstructural morphology, the effective linear and nonlinear behaviors can be successfully approximated by such physics-based neural-network like architecture. In this work, a novel micromechanics-informed parametric DMN (MIpDMN) architecture is proposed for multiscale materials with a varying microstructure characterized by several parameters. A single-layer feedforward neural network is used to account for the dependence of DMN fitting parameters on the microstructural ones. Micromechanical constraints are prescribed both on the architecture and the outputs of this new neural network. The proposed MIpDMN is also recast in a multiple physics setting, where physical properties other than the mechanical ones can also be predicted. In the numerical simulations conducted on three parameterized microstructures, MIpDMN demonstrates satisfying generalization capabilities when morphology varies. The effective behaviors of such parametric multiscale materials can thus be predicted and encoded by MIpDMN with high accuracy and efficiency.
Fichier principal
parametric_revised.pdf (7.12 Mo)
Télécharger le fichier
Fig1.pdf (477.79 Ko)
Télécharger le fichier
Fig10.pdf (146.37 Ko)
Télécharger le fichier
Fig11.pdf (54.12 Ko)
Télécharger le fichier
Fig12.pdf (1.05 Mo)
Télécharger le fichier
Fig13.pdf (187.25 Ko)
Télécharger le fichier
Fig14.pdf (60.64 Ko)
Télécharger le fichier
Fig15.pdf (12.24 Ko)
Télécharger le fichier
Fig16.pdf (36.51 Ko)
Télécharger le fichier
Fig17.pdf (37.03 Ko)
Télécharger le fichier
Fig18.pdf (38.22 Ko)
Télécharger le fichier
Fig19.pdf (14.64 Ko)
Télécharger le fichier
Fig2.pdf (117.88 Ko)
Télécharger le fichier
Fig20.pdf (16.55 Ko)
Télécharger le fichier
Fig21.pdf (59.63 Ko)
Télécharger le fichier
Fig22.pdf (36.26 Ko)
Télécharger le fichier
Fig23.pdf (32.99 Ko)
Télécharger le fichier
Fig24.pdf (46.07 Ko)
Télécharger le fichier
Fig25.pdf (40.68 Ko)
Télécharger le fichier
Fig26.pdf (15.76 Ko)
Télécharger le fichier
Fig27.pdf (44.57 Ko)
Télécharger le fichier
Fig28.pdf (41.12 Ko)
Télécharger le fichier
Fig29.pdf (465.38 Ko)
Télécharger le fichier
Fig3.pdf (697.24 Ko)
Télécharger le fichier
Fig30.pdf (64.92 Ko)
Télécharger le fichier
Fig31.pdf (37.18 Ko)
Télécharger le fichier
Fig32.pdf (15.4 Ko)
Télécharger le fichier
Fig33.pdf (38.35 Ko)
Télécharger le fichier
Fig34.pdf (59.16 Ko)
Télécharger le fichier
Fig35.pdf (41.68 Ko)
Télécharger le fichier
Fig36.pdf (19.04 Ko)
Télécharger le fichier
Fig37.pdf (16.49 Ko)
Télécharger le fichier
Fig38.pdf (336.74 Ko)
Télécharger le fichier
Fig39.pdf (59.26 Ko)
Télécharger le fichier
Fig4.pdf (703.44 Ko)
Télécharger le fichier
Fig40.pdf (142.2 Ko)
Télécharger le fichier
Fig41.pdf (30.76 Ko)
Télécharger le fichier
Fig42.pdf (209.67 Ko)
Télécharger le fichier
Fig43.pdf (55.55 Ko)
Télécharger le fichier
Fig44.pdf (52.57 Ko)
Télécharger le fichier
Fig45.pdf (32.82 Ko)
Télécharger le fichier
Fig46.pdf (32.42 Ko)
Télécharger le fichier
Fig47.pdf (10.22 Ko)
Télécharger le fichier
Fig48.pdf (37.61 Ko)
Télécharger le fichier
Fig49.pdf (37 Ko)
Télécharger le fichier
Fig5.pdf (84.5 Ko)
Télécharger le fichier
Fig50.pdf (31.04 Ko)
Télécharger le fichier
Fig51.pdf (13.8 Ko)
Télécharger le fichier
Fig52.pdf (28.41 Ko)
Télécharger le fichier
Fig53.pdf (40.44 Ko)
Télécharger le fichier
Fig6.pdf (687.85 Ko)
Télécharger le fichier
Fig7.pdf (31.63 Ko)
Télécharger le fichier
Fig8.pdf (15.03 Ko)
Télécharger le fichier
Fig9.pdf (541.45 Ko)
Télécharger le fichier
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|