We investigate volume-element sampling strategies for the stochastic homogenization of particle-reinforced composites and show, via computational experiments, that an improper treatment of particles intersecting the boundary of the computational cell may affect the accuracy of the computed effective properties. Motivated by recent results on a superior convergence rate of the systematic error for periodized ensembles compared to taking snapshots of ensembles, we conduct computational experiments for microstructures with circular, spherical and cylindrical inclusions and monitor the systematic errors in the effective thermal conductivity for snapshots of ensembles compared to working with microstructures sampled from periodized ensembles. We observe that the standard deviation of the apparent properties computed on microstructures sampled from the periodized ensembles decays at the scaling expected from the central limit theorem. In contrast, the standard deviation for the snapshot ensembles shows an inferior decay rate at high filler content. The latter effect is caused by additional long-range correlations that necessarily appear in particle-reinforced composites at high, industrially relevant, volume fractions. Periodized ensembles, however, appear to be less affected by these correlations. Our findings provide guidelines for working with digital volume images of material microstructures and the design of representative volume elements for computational homogenization.


翻译:我们调查了粒子合成合成材料同质同质化的体积抽样战略,并通过计算实验表明,不适当地处理粒子交叉计算细胞边界的粒子可能影响计算有效特性的准确性。我们受到最近的结果的推动,即相对于采集聚合物的相片而言,周期性集合的系统误差的高度趋同率比采集粒子合成合成合成物的相近率高,我们进行微结构的计算实验,以循环、球体和圆柱体融合为对象,并监测与从周期性集合中抽取的微结构相比,对聚合物的切片的有效热传导率的系统错误。我们观察到,在从周期性集合中抽取的显微结构中计算出的显性特性与预期从中央限制值中采集的衰减率相比,标准偏差表明,在高填充物含量时,光团的衰减率较低。后一种影响是由于在高度、工业性组合体的微集成像中出现的其他长期关联性关系,而在高度、工业性混合的微粒合成合成中出现。我们这些设计成型的成型的成型的成型的成型的成型的成型图则会影响较小。

0
下载
关闭预览

相关内容

2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
Hierarchically Structured Meta-learning
CreateAMind
25+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
41+阅读 · 2019年1月3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
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
分布式TensorFlow入门指南
机器学习研究会
4+阅读 · 2017年11月28日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Efficient and Effective $L_0$ Feature Selection
Arxiv
5+阅读 · 2018年8月7日
VIP会员
相关资讯
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
Hierarchically Structured Meta-learning
CreateAMind
25+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
41+阅读 · 2019年1月3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
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
分布式TensorFlow入门指南
机器学习研究会
4+阅读 · 2017年11月28日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Top
微信扫码咨询专知VIP会员