← 最新论文
🔬 材料科学

New RVE concept and FFT methods in micromechanics of composites subjected to body force with compact support

本文提出了一种用于周期性复合材料均质化的新颖框架,该框架结合了使用紧支撑体力的功能缩减代表性体积单元(RVE)概念,以及一种专门的基于快速傅里叶变换(FFT)的求解器来生成用于训练机器学习模型的局部场数据,从而实现对宏观非局部响应的准确且无边界效应的预测。

原作者: Valeriy A. Buryachenko

首次发布于 2025-12-23 · 更新于 2026-11-11
📖 1 分钟阅读☕ 轻松阅读

原作者: Valeriy A. Buryachenko

原始论文采用 CC BY 4.0 许可(http://creativecommons.org/licenses/by/4.0/)。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性,请参阅原始论文。 阅读完整免责声明

想象一个由微小、重复图案构成的世界,就像一个由不同材料粘合而成的巨大马赛克。工程师和科学家经常需要预测这种材料在受压、受拉或受热时的行为。挑战在于,这些材料是由微观部件组成的——有些坚硬,有些柔软,有些具有弹性,它们以复杂的方式相互作用。要理解整体,通常必须观察局部。然而,要观察一个大型物体中每一个微小的部件对于计算机直接计算来说是不可能的。因此,科学家们使用了一个“代表性体积”,即材料的一个微小且易于处理的块体,它既足够大以展示混合物的真实特性,又足够小以便进行模拟。几十年来,研究这些块体的标准方法一直依赖于假设材料从外部均匀地拉伸或挤压,就像一块粘土被双手在边缘拉动一样。这在简单的情况下效果很好,但在模拟的边界处会产生人为的波动和误差,并且在处理材料行为取决于结构中远程部分相互作用的情况时表现不佳。

最近的一项研究详细介绍了一种观察这些复杂材料内部的新方法。这种方法不再是拉动边缘,而是施加一种仅存在于材料内部微小、孤立位置的力,就像用手指轻轻敲击一下,且这种接触区域在边缘处戛然而止。这种局部的力使得他们能够定义一种更灵活的新型“代表性体积”。通过使用这种方法,他们可以模拟材料的响应,而不会出现通常出现在计算机模型边缘的那些混乱且人为的畸变。研究人员开发了一种专门的高速数学工具来求解这种新型加载方式下的方程,然后利用结果来训练人工智能。其目标是教会计算机根据这些通过新模拟捕捉到的详细、局部响应,来预测整个材料对任何应力的反应。

这项工作的核心在于重新思考我们如何选择模拟的样本大小。传统上,科学家们必须使计算机模型足够大,以至于边缘不再重要,希望模型的中心能够表现得像现实世界中的无限材料一样。这通常需要巨大的计算能力,且仍无法确定样本是否真正具有代表性。新方法通过使用一种局限于特定紧凑区域的力改变了规则。由于这种力消失得非常快,材料的影响会在到达模拟框边缘之前自然消退。这意味着研究人员可以使用一个更小的有限域来代表无限材料,从而有效地消除了困扰模拟多年的“边缘效应”。这个较小盒子内的材料行为,与其在广阔、无尽的平面中间的行为完全一致,不受计算机模型人工墙壁造成的畸变影响。

为了实现这一点,团队创建了一个基于称为快速傅里叶变换(Fast Fourier Transform)技术的新数学求解器。这是一种强大的算法,可以将复杂的模式分解为更简单的波,从而实现极快的计算。虽然这种技术多年来一直被用于研究具有重复模式的材料,但研究人员将其进行了改进,以处理这种新型的局部力。他们发现,通过施加这种力,并在材料内部结构的许多不同位置对结果进行平均,他们可以生成一个干净、高质量的数据集。该数据集捕捉了微观部件在响应局部敲击时,如何集中应力和应变。至关重要的是,这一过程既适用于具有完美重复模式的材料,也适用于随机、不规则结构的材料,这使得该方法广泛适用于多种类型的复合材料。

在拥有了这个新数据集后,研究人员转向了机器学习。过去,训练人工智能预测材料行为通常需要向其输入来自全规模模拟的海量原始数据,这在计算上非常昂贵,并且有时会包含研究人员想要避免的那些边界误差。在这里,团队使用他们紧凑、无误差的数据集来教神经网络(旨在识别模式的计算机系统)学习材料行为的规则。这些网络学习成为“代理算子”(surrogate operators),即简化的数学模型,可以瞬间预测材料在任何载荷下的反应,而无需每次都运行一次完整的、缓慢的模拟。生成的模型不仅能够捕捉平均行为,还能捕捉到标准模型经常遗漏的材料不同部分之间微妙的远程相互作用。

研究表明,这一新框架成功地弥合了详细物理模拟与快速数据驱动预测之间的鸿沟。通过用局部力取代传统的边缘拉动法,研究人员消除了对大规模样本的需求以及相关的边界误差。他们展示了其改进后的求解器可以高效处理这些新条件,并且由此产生的数据可以用于训练鲁棒的机器学习模型。这些模型不仅仅是近似值;它们植根于实际的物理学,是从一个不受有限尺寸人工痕迹影响的数据集中学习而来的。这项工作表明,这种方法可以成为设计新复合材料的标准工具,让工程师能够高精度、高速度地预测性能,无论材料是简单的重复模式,还是自然界中复杂的随机混合物。

研究人员强调,该方法之所以特别强大,是因为它不依赖于所研究的具体材料行为类型。无论材料是线性的、非线性的,还是表现出复杂的非局部相互作用(即远处点会影响彼此),该框架仍然有效。关键的创新在于数据集的生成方式:通过使用局部力以及一种基于平移的平均过程,有效地在有限的盒体内模拟了一个无限介质。这使得机器学习模型能够学习真实的底层物理学,而不会被模拟边界的人为约束所干扰。其结果是一种更可靠、更通用的理解和预测复杂材料行为的方法,为航空航天到生物医学工程等领域的更高效设计与分析铺平了道路。

最后,论文提出了一种统一的策略,结合了定义样本的新方式、专门的高速求解器以及先进的机器学习。它不再沿用“必须通过拉动边缘来理解材料”的旧假设,而是证明了轻微的局部触碰同样能揭示完整的故事。这种转变允许创建准确、快速且物理一致的模型,适用于各种类型的材料,为设计更高效的复合材料提供了重要的进步。该方法不仅是一项理论上的改进,更是一项实用的改进,旨在利用现有的计算工具实施,并能与现代数据驱动技术无缝集成。通过消除边界效应和样本大小限制的障碍,研究人员为理解异质材料的复杂世界提供了一条更清晰、更直接的路径。

您所在领域的论文太多了?

获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。

试用 Digest →