Evaluación del Módulo Elástico y Estrés de Meseta de una Aleación de Aluminio Porosa 2D Basada en una Red Neuronal Convolucional
Autores: Sun, Jianhang; Xu, Yepeng; Wang, Lei
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
Categoría
Ciencias de los Materiales
Subcategoría
Materiales estructurales
Palabras clave
Metales porosos
Módulo elástico
Tensión de meseta
Disposición de poros
Red neuronal convolucional
Rigidez específica
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 3
Citaciones: Sin citaciones
Los metales porosos son un nuevo material ultraligero con alta rigidez específica, alta resistencia específica y buenas propiedades de absorción de energía. El módulo elástico y el esfuerzo de meseta de los metales porosos son parámetros esenciales. Ha habido muchos estudios sobre los efectos del material de la matriz, la porosidad y el tamaño de los poros en el módulo elástico y el esfuerzo de meseta de los metales porosos, pero se pueden encontrar pocos estudios sobre el impacto de la disposición de los poros. La disposición de los poros en los metales porosos no puede ser descrita cuantitativamente, y el espacio de diseño de una estructura de metal poroso con la misma porosidad es vasto. Con la poderosa capacidad de aprendizaje y predicción de las redes neuronales, se puede entender mejor la influencia de la disposición de los poros. En este artículo, se utilizó una red neuronal convolucional para explorar el impacto de la disposición de los poros tanto en el módulo elástico como en el esfuerzo de meseta de una aleación de aluminio poroso. En primer lugar, se utilizó un método de elementos finitos para simular la compresión de una aleación de aluminio poroso y obtener una biblioteca de muestras de entrenamiento. En segundo lugar, se construyó una red neuronal convolucional para predecir positivamente el módulo elástico y el esfuerzo de meseta de la aleación de aluminio poroso. Se utilizaron muestras parciales para seleccionar el mejor modelo de entrenamiento de cinco candidatos de redes neuronales convolucionales. Se utilizaron métodos de Dropout, Normalización por Lotes y regularización L2 para aliviar el fenómeno de sobreajuste en el entrenamiento. Todos los datos en la base de datos fueron luego entrenados y predichos, y la bondad de ajuste predicha del módulo elástico y el esfuerzo de meseta fueron 0.8785 y 0.5922, respectivamente. Luego se utilizó un método de búsqueda basado en la red neuronal convolucional para buscar iterativamente en la base de datos. Bajo la condición de utilizar una pequeña cantidad de datos, se pudo determinar la estructura de poro con el mejor módulo elástico y esfuerzo de meseta en la base de datos, y se pudo realizar el diseño inverso de una estructura con alto módulo elástico y esfuerzo de meseta.
Descripción
Los metales porosos son un nuevo material ultraligero con alta rigidez específica, alta resistencia específica y buenas propiedades de absorción de energía. El módulo elástico y el esfuerzo de meseta de los metales porosos son parámetros esenciales. Ha habido muchos estudios sobre los efectos del material de la matriz, la porosidad y el tamaño de los poros en el módulo elástico y el esfuerzo de meseta de los metales porosos, pero se pueden encontrar pocos estudios sobre el impacto de la disposición de los poros. La disposición de los poros en los metales porosos no puede ser descrita cuantitativamente, y el espacio de diseño de una estructura de metal poroso con la misma porosidad es vasto. Con la poderosa capacidad de aprendizaje y predicción de las redes neuronales, se puede entender mejor la influencia de la disposición de los poros. En este artículo, se utilizó una red neuronal convolucional para explorar el impacto de la disposición de los poros tanto en el módulo elástico como en el esfuerzo de meseta de una aleación de aluminio poroso. En primer lugar, se utilizó un método de elementos finitos para simular la compresión de una aleación de aluminio poroso y obtener una biblioteca de muestras de entrenamiento. En segundo lugar, se construyó una red neuronal convolucional para predecir positivamente el módulo elástico y el esfuerzo de meseta de la aleación de aluminio poroso. Se utilizaron muestras parciales para seleccionar el mejor modelo de entrenamiento de cinco candidatos de redes neuronales convolucionales. Se utilizaron métodos de Dropout, Normalización por Lotes y regularización L2 para aliviar el fenómeno de sobreajuste en el entrenamiento. Todos los datos en la base de datos fueron luego entrenados y predichos, y la bondad de ajuste predicha del módulo elástico y el esfuerzo de meseta fueron 0.8785 y 0.5922, respectivamente. Luego se utilizó un método de búsqueda basado en la red neuronal convolucional para buscar iterativamente en la base de datos. Bajo la condición de utilizar una pequeña cantidad de datos, se pudo determinar la estructura de poro con el mejor módulo elástico y esfuerzo de meseta en la base de datos, y se pudo realizar el diseño inverso de una estructura con alto módulo elástico y esfuerzo de meseta.