A mesh-free deep energy method for phase-field modeling of thermally driven brittle fracture
本文介绍了一种利用多分辨率神经网络的无网格深层能量方法,用于模拟热驱动脆性断裂中裂纹的自发成核、扩展与停滞,该方法无需预定义的缺陷或网格,并展示了其相对于有限元参考值和实验基准的准确性。
原始论文根据 CC0 1.0(http://creativecommons.org/publicdomain/zero/1.0/)发布到公有领域。 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
当一块炽热的玻璃或陶瓷突然被浸入冷水中时,它并不仅仅是冷却下来,而是往往会以一种令人惊叹的、有组织的方式破碎。表面迅速收缩,而内部仍保持高温和膨胀状态,从而产生了巨大的内部张力。这种应力迫使材料发生断裂,但裂纹并不会随机出现。相反,它们通常会形成整齐的平行线,向材料深处延伸,或者在分支之前呈现出波浪状的来回摆动。对于设计从喷气发动机部件到智能手机屏幕等各种产品的工程师来说,准确预测裂纹何时开始、传播多远以及如何排列,是一个至关重要的挑战。传统的计算机模拟难以完成这项任务,因为它们依赖于一个固定的网格(类似于坐标纸)来计算物理过程。当裂纹形成时,它会切断这个网格,迫使计算机不断重新绘制地图以追踪那条锯齿状的路径。这个过程非常缓慢,而且如果计算机对裂纹起始位置的预判出错,整个模拟就无法捕捉到自然界创造的复杂自发模式。
研究人员开发出一种新方法,可以在不使用网格的情况下模拟这一剧烈过程。该方法不再依赖于固定的点阵,而是利用人工智能将整个物体视为一个连续且光滑的表面,可以从任何角度进行分析。他们构建了一个系统,其中两个神经网络(旨在识别模式的计算机程序)协同工作以解决该问题的物理学。一个网络追踪材料的运动和破裂位置,另一个则计算热量如何在其中流动。至关重要的是,该系统不需要被告知裂纹将从何处开始。它允许裂纹自发成核,就像在现实中那样,由冷却过程本身的应力引发。通过让计算机学习裂纹在形成过程中的形状,而不是强迫裂纹去适应一条预先画好的路径,研究人员可以观察热冲击下复杂的断裂模式是如何演变的。
研究人员在五种不同的场景下测试了这种方法,以观察其是否能匹配真实材料的行为及现有的计算机模型。在一组测试中,他们模拟了一个带有小缺口的金属板,在对其进行拉伸的同时施加不同的温度。新方法预测的启动裂纹所需的精确力量,与标准的、受信任的计算机模型的误差在约1%以内。这证实了该AI系统能够处理热量与应力相互作用的基础物理学。在另一项测试中,他们模拟了一根玻璃条在从高温区域被拉向冷浴时的过程。随着温差的增大,模拟的裂纹路径从直线变为波浪状、振荡线,最后变为分支模式。这一变化序列与科学家在真实实验中所观察到的现象以及其他理论的预测相吻合,表明该方法捕捉到了材料失效过程中微妙的转变。
或许最引人注目的结果来自于模拟一个从各面快速冷却(即淬火)的陶瓷板。在这些模拟中,材料自发地产生了一系列密集的平行裂纹,其中一些向板材深处生长,而另一些则在中途停止。这些裂纹的间距和深度与一个著名的基准计算结果以及真实世界的碎裂陶瓷照片非常接近。然而,新方法揭示了一些有趣的内容:它预测的裂纹模式比传统的基于网格的模型略显密集。这表明,新方法处理“不可逆性”(即一旦材料受损,就无法自我修复)的方式,使其能够捕捉到更多断裂过程中的精细细节。研究人员还将该方法应用于一个弯曲的陶瓷环,其中的裂纹也形成了类似的层级模式,这证实了该方法可以在无需重塑计算机内部地图的情况下,处理复杂形状。
这项工作的成功在于它如何处理该问题中两个相互竞争的需求:表面的薄热层和材料破裂的狭窄带。在过去,计算机模型必须在解析热量或解析裂纹之间做出选择,往往顾此失彼。新方法使用了一种灵活的多层表示法,既能在热边界层变薄时对其进行缩放聚焦,也能在裂纹变宽时追踪裂纹,且无需重新绘制网格。虽然研究人员指出,他们的模拟仍在完善中,且目前处理简单问题时比传统方法耗时更长,但无需人工干预即可预测自发裂纹形成的能力,是向前迈出的重要一步。它为理解脆性材料在热应力下的失效提供了一个强大的新工具,有望帮助工程师设计出更能抵御现实世界中突发温度变化的组件。
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。