在有限元模拟中嵌入一致的循环神经网络以进行路径相关的损伤预测

arXiv:2611.08494v1 公告类型：新摘要：使用有限元 (FEM) 求解器内经过训练的代理来捕获钣金定位物理，需要代理提供一致的预测，而不管求解器的应变增量计数如何，这在非线性显式代码中很难控制。我们通过在 Fortran 中重新实现经过训练的循环神经网络 (RNN) 损伤准则来解决这个问题，并将其作为实时的、逐增量断裂准则嵌入到 Abaqus/Explicit 用户材料子例程 (VUMAT) 中，从而与求解器一起推进网络状态。比较了两种架构：SimpleRNN 和提出的一致性 RNN (ConsRNN)，其转换函数的设计使得预测随着应变路径的细化而收敛，而不是随着增量计数而漂移。两者都在双线性应变路径上进行训练，并在不同的时间离散和非线性历史下进行评估。 SimpleRNN 预测随着增量计数的增加而漂移，这使其失去了嵌入的资格； ConsRNN 在细化下收敛，相对于多线性路径上的 SimpleRNN，其固定分辨率精度成本很高。嵌入的 ConsRNN 代理在结构尺度上部署，控制夹紧钢板中的单元删除，并达到与已建立的两参数断裂准则相同的峰值力和峰值位移。这种峰值前的一致性是通过构造所预期的，因为在峰值之前没有删除任何元素，因此两次运行共享相同的本构路径；响应仅在峰后软化分支上出现分歧。结果将离散化一致性确定为在显式 FEM 求解器中嵌入循环代理的决定性属性，并报告了在结构规模上定制的非标准转换循环单元的首次嵌入。