基于機器學習的固體變形與疲勞斷裂分析

目錄
第1章 緒論 1
1.1 引言 1
1.2 機器學習簡介 2
1.3 機器學習在固體力學研究中的應(yīng)用 4
1.3.1 多尺度模擬 4
1.3.2 斷裂行為分析 5
1.3.3 疲勞壽命預(yù)測 5
1.3.4 結(jié)構(gòu)分析 7
1.4 章節(jié)安排 8
參考文獻 8
第2章 機器學習算法及流程簡介 13
2.1 基本算法簡介 13
2.1.1 基本監(jiān)督學習算法 13
2.1.2 神經(jīng)網(wǎng)絡(luò)與深度學習 21
2.2 機器學習流程 33
2.2.1 數(shù)據(jù)準備 33
2.2.2 模型建立 35
2.2.3 模型評估 36
2.3 本章小結(jié) 38
參考文獻 38
第3章 基于機器學習的多尺度塑性力學分析 41
3.1 基于機器學習的原子模擬 41
3.1.1 深度學習勢函數(shù)的構(gòu)建 41
3.1.2 基于深度學習勢探究合金化學有序強化機理 46
3.2 基于機器學習的離散位錯動力學模擬 48
3.2.1 基于機器學習的單晶微柱離散位錯動力學模擬 49
3.2.2 預(yù)測結(jié)果與討論 51
3.3 基于機器學習的晶體塑性有限元分析 56
3.3.1 基于機器學習的晶體塑性參數(shù)確定模型 56
3.3.2 結(jié)果與討論 62
3.4 基于機器學習的本構(gòu)模型研究 66
3.4.1 基于機器學習的應(yīng)變率-溫度耦合本構(gòu)模型 66
3.4.2 基于機器學習的屈服面函數(shù)構(gòu)造 70
3.5 本章小結(jié) 73
參考文獻 73
第4章 基于機器學習的材料斷裂行為研究 76
4.1 裂紋源預(yù)測 76
4.1.1 鎂合金中晶界損傷形核預(yù)測 76
4.1.2 增材鈦合金的裂紋萌生源辨識 82
4.2 裂紋擴展行為研究 86
4.2.1 短裂紋擴展速率預(yù)測 86
4.2.2 裂紋擴展路徑預(yù)測 94
4.3 斷裂強度和斷裂韌性研究 99
4.3.1 斷裂強度預(yù)測 100
4.3.2 斷裂韌性預(yù)測 105
4.4 本章小結(jié) 109
參考文獻 109
第5章 基于機器學習的材料疲勞壽命預(yù)測 111
5.1 基于神經(jīng)網(wǎng)絡(luò)的多軸疲勞壽命預(yù)測 111
5.1.1 基于全連接神經(jīng)網(wǎng)絡(luò)的疲勞壽命預(yù)測模型 111
5.1.2 基于長短期記憶網(wǎng)絡(luò)的多軸疲勞壽命預(yù)測模型 114
5.1.3 預(yù)測結(jié)果與討論 116
5.2 基于自注意力機制的復(fù)雜疲勞壽命預(yù)測 120
5.2.1 自注意力機器學習方法 120
5.2.2 預(yù)測結(jié)果與討論 124
5.3 基于機理驅(qū)動的機器學習疲勞壽命預(yù)測 131
5.3.1 機理驅(qū)動的機器學習方法 131
5.3.2 預(yù)測結(jié)果與討論 136
5.4 基于領(lǐng)域知識引導符號回歸的增材制造金屬疲勞壽命預(yù)測 141
5.4.1 數(shù)據(jù)集建立 142
5.4.2 領(lǐng)域知識引導的符號回歸模型 144
5.4.3 預(yù)測結(jié)果與討論 146
5.5 本章小結(jié) 151
參考文獻 151
第6章 基于機器學習的固體結(jié)構(gòu)分析 155
6.1 基于機器學習的固體結(jié)構(gòu)變形分析 155
6.1.1 基于機器學習的復(fù)合材料工藝誘導變形預(yù)測 155
6.1.2 基于深度學習的加筋板三維變形預(yù)測 159
6.1.3 基于機理驅(qū)動機器學習的梁屈*預(yù)測 163
6.2 基于機器學習的工程結(jié)構(gòu)疲勞分析 168
6.2.1 基于深度學習的激光粉末床融合AlSi10Mg缺口試樣疲勞壽命預(yù)測 168
6.2.2 基于隨機森林的薄膜彎*疲勞壽命預(yù)測 172
6.2.3 基于機器學習的高強度螺栓疲勞壽命分析 177
6.3 基于機器學習的工程結(jié)構(gòu)斷裂分析 181
6.3.1 基于數(shù)字圖像處理和機器學習的混凝土裂紋擴展預(yù)測 182
6.3.2 基于機器學習的金屬結(jié)構(gòu)疲勞裂紋擴展檢測 187
6.3.3 融合機器學習和斷裂力學的鋼結(jié)構(gòu)斷裂自動化評估 192
6.4 本章小結(jié) 199
參考文獻 199