A fast Neuber-type finite element simulator to enable deep-learning-based fatigue life predictions from thermographic data - Archive ouverte HAL Accéder directement au contenu
Poster De Conférence Année : 2023

A fast Neuber-type finite element simulator to enable deep-learning-based fatigue life predictions from thermographic data

Abhishek Palchoudhary
Cristian Ovalle
Vincent Maurel
Pierre Kerfriden

Résumé

Cet article décrit une nouvelle méthode développée pour accélérer les calculs sur des structures poreuses à comportement non linéaire. L’hypothèse de proportionnalité est utilisée en conjonction avec une méthode de Neuber modifiée afin de réduire la complexité dimensionnelle typique des méthodes de Neuber multiaxiales. Cette méthode est utilisée afin d’intégrer numériquement les lois matériaux non linéaires en fonction de la réponse élastique par Éléments Finis de la structure, pour obtenir la dissipation intrinsèque en champ complet via les composantes déviatoriques élasto-plastiques approchées de contrainte et de déformation. Cette méthode permet la génération rapide de grands ensembles de données de la réponse thermique des structures avec des populations de pores variables ayant une réponse non linéaire. Des approches d’apprentissage automatique basées sur ces données pour lier la réponse thermique des structures à leur durée de vie en fatigue sont donc rendues possibles.
Fichier non déposé

Dates et versions

hal-04420315 , version 1 (26-01-2024)

Identifiants

  • HAL Id : hal-04420315 , version 1

Citer

Abhishek Palchoudhary, Cristian Ovalle, Vincent Maurel, Pierre Kerfriden. A fast Neuber-type finite element simulator to enable deep-learning-based fatigue life predictions from thermographic data. Aussois 2023 - Grandes transformations : aujourd'hui.. demain, Jan 2023, Aussois, France. ⟨hal-04420315⟩
7 Consultations
0 Téléchargements

Partager

Gmail Facebook X LinkedIn More