一种VUMAT物理信息神经网络循环塑性应力更新方法
本发明涉及材料本构建模与有限元仿真,具体是一种vumat物理信息神经网络循环塑性应力更新方法。
背景技术:
1、在金属材料循环加载的有限元分析中,现有技术通过用户材料子程序vumat接收材料积分点的应变增量、上一增量步应力及状态变量,实现材料积分点的弹性预测、屈服判断以及应力和内变量更新。在采用隐式或半隐式返回映射的循环塑性积分方法中,塑性增量步通过newton迭代求解塑性乘子,更新应力、背应力及累积等效塑性应变,再将结果返回有限元主程序;部分方法利用神经网络学习加载数据与材料响应之间的映射,以预测应力响应。
2、然而,循环载荷下,材料点反复进入塑性阶段,其应力状态与硬化水平持续演化,每一塑性增量步均需重新求解塑性乘子,局部迭代的计算成本随材料积分点数量及加载步数的增加而上升,制约了大规模分析的求解效率;另一方面,即使单步应力预测值在数值上接近参考值,亦无法保证其与背应力、累积等效塑性应变的演化满足本构一致性和状态协调性;不协调的应力及状态变量传入后,可能使屈服判断及塑性变形量的计算产生偏差,导致局部误差沿加载路径传递,最终表现为循环响应偏移。
3、因此,材料积分点的连续增量计算既依赖塑性步中的局部求解,又要求更新后的应力与内变量共同构成后续增量的有效初始状态,传统返回映射的重复迭代带来累积计算负担,而直接应力预测难以维持该状态衔接关系,导致减少塑性步求解开销与保持连续应力更新的本构一致性难以兼顾。
技术实现思路
1、本发明的目的在于解决现有循环塑性有限元分析采用返回映射逐步迭代求解塑性乘子,计算负担随材料积分点数量及加载步数增加而累积,以及直接预测应力难以维持应力与背应力、累积等效塑性应变之间的本构一致性,使状态偏差沿连续增量传递并造成循环响应偏移,导致应力更新的计算效率与状态衔接一致性难以兼顾的问题。
2、第一方面,本发明提出一种vumat物理信息神经网络循环塑性应力更新方法,包括:
3、通过vumat获取材料积分点的积分点数据,所述积分点数据包括应变增量、上一增量步应力及状态变量,所述状态变量包括各分支背应力和累积等效塑性应变;
4、基于所述积分点数据计算试应力和试相对应力,并根据所述试相对应力及所述状态变量进行屈服判断;
5、当判断为弹性响应时,输出所述试应力并保持所述状态变量不变,当判断为塑性响应时,将所述积分点数据输入训练后的神经网络,预测得到塑性乘子增量;
6、基于所述试相对应力的等效值、剪切模量和安全系数生成径向返回安全上限,对所述塑性乘子增量进行非负限制和所述径向返回安全上限限制,得到限幅后的塑性乘子增量;
7、将所述限幅后的塑性乘子增量代入chaboche更新关系,对所述试应力进行塑性修正,并对所述各分支背应力和所述累积等效塑性应变进行更新,得到所述材料积分点的更新应力和更新后的状态变量;
8、将所述更新应力和更新后的状态变量返回有限元主程序,供所述材料积分点在下一增量步中作为上一增量步应力及状态变量读取。
9、优选的,所述神经网络的训练过程,包括:
10、获取材料在循环加载条件下相邻加载步之间的应变增量、前一加载步应力、前一加载步各分支背应力、前一加载步累积等效塑性应变以及后一加载步参考塑性乘子增量、参考应力和参考状态变量;
11、将所述应变增量、所述前一加载步应力、所述前一加载步各分支背应力和所述前一加载步累积等效塑性应变作为所述神经网络的输入,将所述后一加载步参考塑性乘子增量作为监督信息,对所述神经网络进行训练。
12、优选的,所述神经网络的训练过程,还包括:
13、将所述神经网络输出的塑性乘子增量预测值与对应加载步的应变增量、前一加载步应力及前一加载步状态变量输入固定chaboche材料更新层,由所述固定chaboche材料更新层对所述塑性乘子增量预测值执行所述非负限制和径向返回安全上限限制,并基于限幅后的塑性乘子增量对所述试应力进行塑性修正,并更新各分支背应力和累积等效塑性应变,得到预测应力和预测状态变量;
14、基于所述塑性乘子增量预测值、所述预测应力和所述预测状态变量构建训练损失,根据所述训练损失更新所述神经网络的参数;
15、其中,所述固定chaboche材料更新层不包含可训练参数。
16、优选的,所述预测状态变量包括预测各分支背应力和预测累积等效塑性应变,所述训练损失包括数据损失和物理损失;
17、将所述塑性乘子增量预测值、所述预测应力和所述预测状态变量分别与对应参考结果进行比较,计算所述数据损失;
18、根据所述预测应力和所述预测状态变量计算更新后屈服残差,对大于零的所述更新后屈服残差施加屈服正性惩罚;
19、根据限幅后的塑性乘子增量对所述前一加载步各分支背应力进行半隐式折减,结合所述试应力计算相对应力等效值,并根据所述相对应力等效值、塑性修正量及更新后的屈服强度计算返回映射一致性残差,并基于所述返回映射一致性残差计算返回映射一致性损失;
20、对低于所述参考塑性乘子增量的所述限幅后的塑性乘子增量施加欠预测惩罚;
21、基于所述屈服正性惩罚、所述返回映射一致性损失和所述欠预测惩罚构建所述物理损失。
22、优选的,所述训练损失还包括困难样本损失,所述困难样本损失的构建包括:
23、分别按照各训练样本的屈服正性惩罚值和返回映射一致性残差的平方值由大到小排序,按照预设比例从当前训练批次选取屈服困难样本和一致性困难样本;
24、分别对所述屈服困难样本的屈服正性惩罚值和所述一致性困难样本的返回映射一致性残差的平方值求均值,得到屈服困难样本损失和一致性困难样本损失;
25、将所述屈服困难样本损失和所述一致性困难样本损失加权计入所述训练损失,用于更新所述神经网络的参数。
26、优选的,所述计算试应力和试相对应力,根据所述试相对应力及所述状态变量进行屈服判断,包括:
27、将所述应变增量代入材料的弹性关系计算弹性应力增量,与所述上一增量步应力相加,得到所述试应力;
28、提取所述试应力的偏应力部分,将所述各分支背应力求和得到总背应力,从所述偏应力部分扣除所述总背应力,得到所述试相对应力;
29、计算所述试相对应力的等效值,并根据所述累积等效塑性应变计算屈服强度,将所述等效值与所述屈服强度之差作为试屈服函数值;
30、当所述试屈服函数值不大于预设容差时,判定为弹性响应,否则判定为塑性响应。
31、优选的,所述生成径向返回安全上限,包括:
32、读取所述材料积分点对应材料的剪切模量,并获取大于0且小于1的安全系数;
33、将所述试相对应力的等效值除以三倍所述剪切模量,并将所得商值与所述安全系数相乘,得到所述径向返回安全上限;
34、将所述塑性乘子增量与零比较,取较大值作为非负限制结果,再将所述非负限制结果与所述径向返回安全上限比较,取较小值作为限幅后的塑性乘子增量,代入所述chaboche更新关系。
35、优选的,将所述限幅后的塑性乘子增量代入chaboche更新关系,包括:
36、根据所述限幅后的塑性乘子增量及各分支对应的动态恢复参数计算折减系数,对所述各分支背应力进行折减,并根据折减后的各分支背应力与所述试应力的偏应力部分计算塑性流动方向;
37、根据所述塑性流动方向和所述限幅后的塑性乘子增量对所述偏应力部分进行塑性修正,加回所述试应力的静水压力部分,得到所述更新应力;
38、按照所述chaboche更新关系,根据所述折减系数、所述塑性流动方向及所述限幅后的塑性乘子增量更新所述各分支背应力,并累加所述限幅后的塑性乘子增量以更新所述累积等效塑性应变。
39、优选的,所述训练后的神经网络通过以下方式部署至vumat:
40、导出所述神经网络的各层权重、偏置、激活函数类型、输入特征顺序、输入标准化参数、输出尺度因子及材料参数,并转写为vumat调用的数组或包含文件;
41、按照所述输入特征顺序组装所述积分点数据,采用所述输入标准化参数进行标准化,并通过所述各层权重、偏置和激活函数执行前向计算,将输出结果经softplus函数处理后乘以所述输出尺度因子,得到所述塑性乘子增量;
42、vumat采用与所述固定chaboche材料更新层相同的材料参数和chaboche更新关系执行应力及状态变量更新。
43、优选的,在组装所述积分点数据之前,将vumat接收的应变增量、上一增量步应力及各分支背应力的张量分量顺序转换为训练时采用的分量顺序,并使剪切应变分量采用与训练数据一致的张量剪切表示;
44、完成应力及状态变量更新后,将所述更新应力和更新后的各分支背应力转换回有限元主程序要求的张量分量顺序,将转换后的更新应力写入应力输出数组,并将转换后的各分支背应力及更新后的累积等效塑性应变写入状态输出数组;
45、将所述应力输出数组和所述状态输出数组返回有限元主程序,供下一增量步作为上一增量步应力及状态变量读取。
46、第二方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现上述任一项所述的vumat物理信息神经网络循环塑性应力更新方法。
47、第三方面,本发明提供一种电子设备,包括处理器及存储器,所述存储器中存储有计算机程序,所述计算机程序由所述处理器执行时,实现上述任一项所述的vumat物理信息神经网络循环塑性应力更新方法。
48、与现有技术相比,本发明具有以下有益效果:
49、1.通过屈服判断区分弹性响应和塑性响应,仅对塑性响应调用神经网络预测塑性乘子增量,再由chaboche更新关系共同更新应力、各分支背应力和累积等效塑性应变,使同一塑性乘子增量同时关联应力修正与状态演化,在减少塑性乘子迭代求解开销的同时,维持后续增量所需状态的协调衔接。
50、2.将欠预测惩罚、返回映射一致性损失与径向返回安全上限相配合,通过训练抑制塑性乘子增量偏小造成的塑性修正不足,并在调用时限制过大的塑性修正;结合困难样本附加惩罚,加强对屈服违背及一致性偏差较大样本的约束,降低局部更新偏差向后续增量传递而引起循环响应偏移的风险。
51、3.通过固定chaboche材料更新层建立训练约束,并在vumat部署时沿用相同的材料参数、更新关系及输入输出处理方式,结合张量分量转换和状态变量回写,使训练所约束的应力与状态演化关系延续至有限元连续调用,减少模型转写及状态传递引入的偏差,提高循环加载分析的稳定性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com