ニューラルネットワークによる均質化不可逆弾塑性変形と発泡体損傷をシミュレートするハイブリッドアプローチ【JST・京大機械翻訳】

Settgast Christoph; Huetter Geralf; Kuna Meinhard; Abendroth Martin

プレプリント

J-GLOBAL ID：202202219669783112 整理番号：22P0084257

ニューラルネットワークによる均質化不可逆弾塑性変形と発泡体損傷をシミュレートするハイブリッドアプローチ【JST・京大機械翻訳】

A hybrid approach to simulate the homogenized irreversible elastic-plastic deformations and damage of foams by neural networks

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2019年10月30日プレプリントサーバーでの情報更新日： 2019年11月15日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

古典的に,材料の構成挙動を現象論的に,あるいは均質化アプローチによって記述した。現象論的アプローチは計算的に非常に効率的であるが,複雑な非線形および不可逆機構には限界がある。このような複雑な機構は計算均質化によってよく記述できるが,それぞれのFE ̄2計算は非常に高価である。代替方法として,ニューラルネットワークを,訓練のための実験または計算均質化結果のいずれかを用いて,構成モデリング用に提案した。しかし,この方法の不可逆材料挙動への適用は自明ではない。この寄与は,ニューラルネットワークを速度に依存しない塑性の確立されたフレームワークに埋め込むためのハイブリッド方法論を提示する。内部状態変数の降伏関数と発展方程式をニューラルネットワークによって表現した。発泡体材料に対する検査訓練データを,単調負荷の下でのRVEシミュレーションから発生させた。このハイブリッドマルチスケールニューラルネットワークアプローチ(HyMNNA)は,損傷と非関連塑性流の連成異方性進展を伴う発泡体構造の異方性弾塑性挙動を効率的にシミュレートできることを実証した。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

構造力学一般

, , , , ,

前のページに戻る