This paper presents a model-free data-driven strategy for linear and non-linear finite element computations of open-cell foam. Employing sets of material data, the data-driven problem is formulated as the minimization of a distance function subjected to the physical constraints from the kinematics and the balance laws of the mechanical problem. The material data sets of the foam are deduced here from representative microscopic material volumes. These volume elements capture the stochastic characteristics of the open-cell microstructure and the properties of the polyurethane material. Their computation provides the required stress-strain data used in the macroscopic finite element computations without postulating a specific constitutive model. The paper shows how to efficiently derive suitable material data sets for the different (non-)linear and (an-)isotropic material behavior cases. Exemplarily, we compare data-driven finite element computations with linearized and finite deformations and show that a linear kinematic is sufficiently accurate to capture the material's non-linearity up to 50% of straining. The numerical example of a rubber sealing illustrates possible areas of application, the expenditure, and the proposed strategy's versatility.


翻译:本文为开放细胞泡沫的线性和非线性限量元素计算提供了一个无模型数据驱动战略。 使用成套材料数据,数据驱动的问题被表述为尽量减少受运动学和机械问题平衡法物理限制的距离功能。 泡沫的材料数据集在这里从具有代表性的微小材料量中推导出来。 这些量元素捕捉开细胞微结构的随机特征和聚氨酯材料的特性。 它们的计算提供了在宏观统计有限元素计算中使用的所需压力- 压力- 压力- 压力- 度数据,而没有设定一个具体的构成模型。 本文展示了如何高效地为不同( 非线性) 和( 单线性) 物质行为案例获取合适的材料数据集。 我们将数据驱动的有限要素计算与线性和有限性变形进行对比,并表明线性运动足够准确,可以捕捉到材料的非线性至50%的临界值。 橡胶密封的数值示例了可能的应用领域、 支出和拟议的战略性。

0
下载
关闭预览

相关内容

专知会员服务
14+阅读 · 2021年5月21日
【2020新书】概率机器学习,附212页pdf与slides
专知会员服务
108+阅读 · 2020年11月12日
专知会员服务
193+阅读 · 2020年10月14日
专知会员服务
52+阅读 · 2020年9月7日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
计算机类 | ISCC 2019等国际会议信息9条
Call4Papers
5+阅读 · 2018年12月25日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
计算机类 | LICS 2019等国际会议信息7条
Call4Papers
3+阅读 · 2018年12月17日
【SIGIR2018】五篇对抗训练文章
专知
12+阅读 · 2018年7月9日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【学习】(Python)SVM数据分类
机器学习研究会
6+阅读 · 2017年10月15日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
5+阅读 · 2018年5月1日
VIP会员
相关资讯
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
计算机类 | ISCC 2019等国际会议信息9条
Call4Papers
5+阅读 · 2018年12月25日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
计算机类 | LICS 2019等国际会议信息7条
Call4Papers
3+阅读 · 2018年12月17日
【SIGIR2018】五篇对抗训练文章
专知
12+阅读 · 2018年7月9日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【学习】(Python)SVM数据分类
机器学习研究会
6+阅读 · 2017年10月15日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员