基于深度学习的超高速碰撞碎片云生成模型

数据驱动的模型已经被广泛研究，并成功应用到了计算力学。基于深度学习技术，提出一种新的采用数据驱动的碎片云生成模型。此模型可以学习SPH数值模拟结果，然后在多种控制条件下快速生成碎片云。在模型训练前的数据预处理阶段，对SPH模拟结果进行空间网格划分和质量聚合，实现了改善数据分布规律、加速模型训练和提升模型泛化性的目的。以高速靶球撞击薄壁圆筒后的碎片云质量分布为例，模拟并测试了多种控制条件下深度学习模型计算结果的正确性和稳定性，以及计算速度的高效性。实验证明，深度学习模型可以从训练集学习碎片云的物理规律，然后在训练集控制参数范围内进行良好的推理及插值；并且可以在训练数据集控制参数范围外，进行小范围推理预测；同时深度学习模型的计算速度远快于SPH方法。通过深度学习方法建立碎片云模型，可能是一种在空间飞行器防护结构原型设计阶段，实现碎片云实时生成的潜在方案。     

平纹编织C/SiC复合材料低速冲击数值模拟

首先,基于空气炮装置进行了2D-C/SiC薄板在冲击速度为79~219 m/s范围内的低速冲击实验,对碎片云团发展过程进行高速摄影记录;其次,基于Autodyn软件正交各向异性复合材料模型,推导2D-C/SiC材料相关参数;选取SPH求解器建立二维计算模型,对实验工况进行数值模拟,并基于碎片云结构、B扫描检测结果和碎片云轴向发展速度验证了该模型可以很好地描述C/SiC材料在冲击载荷作用下的脆性特征和软化行为。最后,基于数值模拟结果推导得出了钢弹丸冲击C/SiC材料的极限侵彻深度预测公式。     

碎片云SPH方法数值模拟中的材料失效模型

光滑粒子流体动力学方法（smoothed particle hydrodynamics,SPH）被广泛应用于薄板超高速撞击碎片云的数值模拟。利用AUTODYN软件中的SPH模块,考察了无失效模型、Grady失效模型和最大拉应力失效模型3种方案下碎片云模拟结果,发现无失效模型时计算结果及材料表现与实验明显不符;相比于Grady失效模型,最大拉应力失效模型下材料更难失效,将小幅度减弱碎片云扩散程度,碎片总数减少,粒子聚集产生更大碎片,碎片云侵彻性能提高,增大模型失效阈值亦有上述表现。相比而言,Grady失效模型计算结果更符合实验,但2种失效模型间差异与撞击工况相关,材料破碎越充分差异越小。     

基于拟流体模型的SPH新方法及其在弹丸超高速碰撞薄板中的应用

引入颗粒动力学理论(拟流体模型)建立了适用于超高速碰撞的SPH新方法。将超高速碰撞中处于损伤状态的碎片等效为拟流体,在描述其运动过程中引入了碎片间相互作用和气体相对碎片的作用。采用该方法对球形弹丸超高速碰撞薄板形成碎片云的过程进行了数值模拟,得到了弹坑直径、外泡碎片云和内核碎片云的形状、分布,并与使用传统SPH方法、自适应光滑粒子流体动力学(ASPH)方法的模拟结果进行对比,结果显示:新方法在内核碎片云形状和分布上计算结果更加准确。同时对Whipple屏超高速碰撞问题进行了研究,分析了不同撞击速度下防护屏弹坑尺寸及舱壁损伤特性等特性,计算结果与实验吻合较好且符合Whipple防护结构的典型撞击极限曲线。     

基于数据驱动的大气压射频放电等离子体数值模拟研究

随着人工智能技术的进步,结合低温等离子体的物理特点,数据驱动技术由于其独特的优势在低温等离子体的研究中正逐渐兴起.本研究以深度神经网络(DNN)模型在大气压射频放电中的计算研究为例,讨论了数据驱动方法在低温等离子体模拟研究中的应用.对于低温等离子体的研究而言,数据驱动研究所需要的数据可以来自于实验诊断和数值计算,根据等离子体物理特性的不同也可以选择不同的数据驱动模型.粒子模型与流体模型是低温等离子体研究中常用的两类计算模型,基于这两者的模拟数据组成的训练集, DNN可以实现对大气压射频放电的动理学特性等各种特性的实时预测.首先通过将流体模型与粒子模型计算结果与DNN模型的预测结果相比较,验证了DNN模型在给定精度下的有效性.然后基于流体模拟数据,利用DNN探究了α和γ模式下输入电流密度和放电间隙对大气压射频放电特性的影响,最后借助于粒子模拟数据构建的训练集,讨论了大气压射频微放电的频率效应,特别是电子能量分布函数(EEDF)的演化.预测结果表明,经过大约1 h的训练后, DNN只需要耗时0.01 s左右就能以极高的计算精度(与数值模拟之间的相对误差小于0.5%)获得电子密度、电场强度和...     

超高速撞击数值仿真结果分析

为了分析超高速撞击过程的宏观现象和内在机理,对9.53 mm铝球以6.64 km/s的速度撞击2.2 mm厚的铝靶的SPH仿真结果进行了量化分析。结果表明:采用SPH方法以及Steinberg弹塑性模型和Mie-Grneisen状态方程,可获得与试验相符的仿真结果;球形破片开坑或穿孔直径遵循初始快速增加、然后缓慢增加,直至稳定的变化规律;破片/靶板界面的最大撞击压力比材料强度大两个量级以上;靶板阻抗力最大值发生在破片最大直径侵入靶板时刻;碎片云的运动过程具有自相似演化特征,其运动范围不会超出碎片云的包络圆锥范围。     

光滑粒子模拟方法在超高速碰撞现象中的应用

简要介绍了基于黎曼解的光滑粒子法,并将改进的SPH方法应用于超高速碰撞,对二维轴对称条件下的弹丸超高速碰撞薄板问题进行了数值模拟,研究了靶板厚度、弹丸速度、弹丸形状等因素对形成碎片云的影响。通过与实验数据比较,该算法模拟的碎片云的形状及特征与实验相吻合,验证了光滑粒子法对冲击动力学问题数值模拟的有效性。     

球形弹丸正撞击薄板防护屏碎片云特性研究

以质量、动量和能量守恒为基础,结合平面激波理论和热力学理论,对球形铝弹丸正撞击薄板铝防护屏形成的碎片云特性进行了建模,模型计算结果与实验结果吻合较好。利用该模型对多种工况下碎片云特性进行了计算,结果表明:(1)碎片云质心速度和膨胀速度随撞击速度和弹丸直径的增加而增大,随防护屏厚度增大而减小;膨胀半角随撞击速度和防护屏厚度的增大而增大,随弹丸直径的增大而减小;(2)速度和膨胀半角变化曲线具有相似性;(3)对于给定的弹丸和防护屏材料,碎片云中受到激波加载部分的材料各相态质量分数只与弹丸撞击速度有关。这些规律与实验规律吻合。     

基于拓扑优化和深度学习的新型结构生成方法

计算机辅助设计已广泛应用于结构计算和分析,但如何利用计算机智能生成最佳的新型结构还面临巨大挑战。针对这一问题,提出了一种基于拓扑优化和深度学习的新型结构智能生成方法。该方法首先通过结构拓扑优化分析获得不同参数下的优化结果制作训练集图片,并将训练集标签定义为相应的工况类型,然后应用最小二乘生成对抗网络(LSGAN)深度学习算法进行训练并生成大量的新型结构,最后建立评价指标和评估体系对生成的模型进行评价比较,根据需求选择最佳结构设计方案。结合一个铸钢支座节点底板设计的工程案例,详细阐述了上述方法的应用过程,并借助三维重构技术和增材制造技术实现结构模型的一体化制造。研究结果表明,基于拓扑优化和深度学习的新型结构智能生成方法不仅可以自动生成新的结构,而且可以进一步优化结构的材料用量和力学性能。     

基于改进云推理算法的塔架结构损伤识别

为了解决塔架结构的损伤识别问题,提出了基于应变能和改进云推理算法的损伤识别方法。首先描述了云模型的基本理论和数字特征,并给出了模态应变能的基本公式;然后分析了X条件云发生器和Y条件云发生器的基本算法和运行步骤,借助灰云模型建立相应的前件云和后件云规则,考虑了测量噪声的影响,利用云发生器生成多组云滴,并利用多模式下云滴的确定度和生成值构建了基本云推理算法及其损伤识别指标。基本云推理算法中常会产生不均匀发散的云滴,从而使计算结果产生一定的偏差,为了降低云滴发散产生的偏差影响,提出了基于损伤模式数量加权的云推理改进策略。计算结果表明:云推理算法可以较好地应用于塔架结构的损伤识别,其识别结果明显优于传统的应变能耗散率指标方法;而改进云推理算法进一步提高了识别的精度,优于基本云推理算法。     

基于物理信息的深度学习求解矩形薄板力学正反问题

建立基于物理信息的神经网络框架,利用深度学习求解矩形薄板力学正反问题.力学正问题为已知矩形薄板的基本参数、边界条件和受力情况,求薄板各点挠度;反问题为已知薄板部分点的挠度、基本参数和受力情况等,识别边界条件.基于物理信息的神经网络模型中,损失函数除基于数据驱动模型的挠度数据拟合部分以外,还引入薄板弯曲基本方程和应力应变...     

Physics-informed deep learning for incompressible laminar flows

Physics-informed deep learning has drawn tremendous interest in recent years to solve computational physics problems, whose basic concept is to embed physical laws to constrain/inform neural networks, with the need of less data for training a reliable model. This can be achieved by incorporating the residual of physics equations into the loss function. Through minimizing the loss function, the network could approximate the solution. In this paper, we propose a mixed-variable scheme of physics-informed neural network(PINN) for fluid dynamics and apply it to simulate steady and transient laminar flows at low Reynolds numbers. A parametric study indicates that the mixed-variable scheme can improve the PINN trainability and the solution accuracy. The predicted velocity and pressure fields by the proposed PINN approach are also compared with the reference numerical solutions. Simulation results demonstrate great potential of the proposed PINN for fluid flow simulation with a high accuracy.     

超高速碰撞下相变效应的交错网格物质点法研究

超高速碰撞下的结构毁伤过程常伴随材料相变、断裂失效及碎片云的产生与演化,其所具有的压力强间断、材料非线性等几何大变形等问题给数值模拟带来了困难。交错网格物质点法SGMP通过背景网格格心积分消除了物质点法MPM跨网格误差,是模拟固体冲击爆炸等极端大变形与材料破坏问题的一种有效数值分析方法。本文将含金属相变的GRAY状态方程及含非线性内聚力断裂的Johnson-Cook修正金属模型引入SGMP中,模拟超高速碰撞单层、多层靶板问题。结果表明,SGMP和修正金属模型可以很好地模拟超高速碰撞问题中的碎片云形貌特征和相变效应。     

Model identification of reduced order fluid dynamics systems using deep learning

This paper presents a novel model reduction method: deep learning reduced order model, which is based on proper orthogonal decomposition and deep learning methods. The deep learning approach is a recent technological advancement in the field of artificial neural networks. It has the advantage of learning the nonlinear system with multiple levels of representation and predicting data. In this work, the training data are obtained from high fidelity model solutions at selected time levels. The long short‐term memory network is used to construct a set of hypersurfaces representing the reduced fluid dynamic system. The model reduction method developed here is independent of the source code of the full physical system. The reduced order model based on deep learning has been implemented within an unstructured mesh finite element fluid model. The performance of the new reduced order model is evaluated using 2 numerical examples: an ocean gyre and flow past a cylinder. These results illustrate that the CPU cost is reduced by several orders of magnitude whilst providing reasonable accuracy in predictive numerical modelling.     

基于组合神经网络的雷诺平均湍流模型 多次修正方法

求解雷诺平均(Reynolds-averaged Navier-Stokes, RANS)方程依然是工程应用中有效且实用的方法, 但对雷诺应力建模的不确定性会导致该方法的预测精度具有很大差异. 随着人工智能的发展, 湍流闭合模型结合机器学习元素的数据驱动方法被认为是提高RANS模型预测性能的有效手段, 然而这种数据驱动方法的稳定性和预测精度仍有待进一步提高. 本文通过构建一个全连接神经网络对RANS方程中的涡黏系数进行预测以实现雷诺应力的隐式求解,该神经网络记作涡黏系数神经网络(eddy viscosity neural network, EVNN). 此外, 也使用张量基神经网络(tensor basis neural network, TBNN)预测未封闭量与解析量之间的高阶涡黏关系, 并利用基张量保证伽利略不变性. 最后, 采用多次修正的策略实现修正模型对流场预测的精度闭环. 上述方法使用大涡模拟(large eddy simulation, LES)方法产生的高保真数据, 以及RANS模拟获得的基线数据对由EVNN和TBNN组合的神经网络进行训练, 然后用训练好的模型预测新的RANS模拟的流场. 通过与高保真LES结果进行对比, 结果表明, 相比于原始RANS模型, 修正模型对后验速度场、下壁面平均压力系数和摩擦力系数的预测精度均有较大提升. 可以发现对雷诺应力线性部分的隐式处理可以增强数值求解的稳定性, 对雷诺应力非线性部分的修正可以提升模型对流场各向异性特征预测的性能, 并且多次修正后的模型表现出更高的预测精度. 因此, 该算法在数据驱动湍流建模和工程应用中具有很大的应用潜力.      

基于深度学习和细观力学的颗粒材料本构关系研究

颗粒材料的本构关系对岩土工程等众多领域至关重要. 不同于传统的唯象本构理论, 本文基于机器学习模型探索了一种细观力学理论指导下的数据驱动型颗粒材料本构关系预测方法. 根据Vogit均质化假设, 建立了小应变条件下颗粒材料应力?应变解析关系, 此关系唯一地确定了一组与颗粒材料本构行为相关的细观组构变量. 这些变量与反应颗粒材料宏观性质的主应力和主应变信息通过一系列离散元三轴压缩数值试验获得. 考虑到细观组构变量为内变量, 不能直接作为本构模型的输入. 本文基于有向图方法将颗粒材料微观结构信息隐式地包含在应力?应变的预测当中, 并采用门控循环单元(GRU)循环神经网络作为基础深度学习模型描述有向图中结点之间的映射关系. 通过将有向图从目标节点沿源节点展开, 整个应力?应变预测模型可由两个神经网络分别训练并组装而成. 将训练后的深度学习模型在全新的数据集上进行测试, 结果表明该训练策略能有效捕捉到颗粒材料在常规三轴任意加卸载, 等中主应力系数b的真三轴加载, 和等平均有效应力p的真三轴加卸载等复杂多轴加载工况下的应力?应变响应关系, 模型具有良好的内插和外推预测能力. 考虑到深度学习模型捕捉颗粒材料力学响应的能力及其开放式学习的特点, 充分结合数据驱动方法和理论本构模型可能是颗粒材料本构研究的一个重要方向.