Unsupervised Graph-GAN model for stress–strain field prediction in a composite

Der Artikel stellt einen bahnbrechenden Ansatz zur Vorhersage von Spannungs- und Dehnungsfeldern in Verbundwerkstoffen mittels unbeaufsichtigter Graph-GAN-Modelle vor. Durch die Integration von Graphen-Konvolutionsnetzwerken (GCNs) mit generativen konvergenten Netzwerken (GANs) erreicht das vorgeschlagene Modell beispiellose Genauigkeit und Effizienz bei der Vorhersage von Deformationsfeldern. Die Studie konzentriert sich auf die Vorhersage einer äquivalenten von Mises Stress Distribution (EVMSD) und einer äquivalenten Plastikbelastung (EPS) für komplexe 2D-hierarchische biphasische Mikrostrukturen und demonstriert die Robustheit und Erweiterbarkeit des Modells. Die Methodik umfasst die Erzeugung synthetischer Verbundmikrostrukturen und die Verwendung von Finite-Elemente-Methoden (FEM) zur Erstellung von Ground-Truth-Datensätzen. Das Graph-GAN-Modell wird auf diesen Datensätzen trainiert und nutzt die synergetische Leistung von GANs und GCNs, um räumliche Merkmale und topologische Beziehungen zu erfassen. Die Ergebnisse unterstreichen die Fähigkeit des Modells, Deformationsfelder für unsichtbare Mikrostrukturen mit hoher Genauigkeit vorherzusagen, selbst für unregelmäßige und willkürliche Geometrien. Dieser innovative Ansatz ebnet den Weg für fortgeschrittene, zerstörungsfreie Charakterisierungstechniken in der Materialwissenschaft mit potenziellen Anwendungen in verschiedenen Bereichen wie der biomedizinischen Bildgebung und der experimentellen Modellierung.