[发明专利]加载历史相关的数据驱动多尺度并发模拟方法及系统

说明书

本发明提供一种加载历史相关的数据驱动多尺度并发模拟方法及系统，包括：根据集群材料状态变量更新集群材料数据集；以集群与数据点能量偏差最小作为优化目标，以Lippmann‑Schwinger方程和均质化应变约束作为约束条件，建立目标函数；通过拉格朗日乘子法求解约束条件下的目标函数最小化问题，建立线性方程组；求解线性方程组，更新集群材料数据点和集群平衡约束点的映射关系；通过集群材料数据点和集群平衡约束点的反复映射，使映射关系达到收敛；根据集群材料数据点更新集群材料状态变量，根据集群平衡约束点计算均质化应力。本发明能够在无本构模型条件下实现材料的多尺度并发模拟，同时能够准确预测不同尺度下材料加载历史相关的力学行为。

技术领域

本发明涉及材料力学行为分析技术领域，具体地，涉及一种加载历史相关的数据驱动多尺度并发模拟方法及系统。

背景技术

随着材料科学的发展，材料的微观组织越来越精细，微观组织同时也决定着材料的强化机制和宏观性能。例如对于纤维增强复合材料而言，在不同尺度上存在着树脂交联网状结构、单向纤维增强结构、纤维编织结构以及零部件几何结构等；对于铝合金材料而言，在不同尺度上存在着固溶强化、颗粒强化、形变强化、细晶强化等多种强化机制。材料的多尺度模拟方法能够在不同尺度间建立材料的组织和性能的内在联系，成为近年来的研究热点。代表性体积元方法(Representat ive volume element,RVE)是多尺度分析中的一种常用方法，通过建立一个代表材料局部细观特征的周期性有限元模型，来预测材料在细观尺度上的力学响应演化过程。然而，在多尺度并发计算时，需要在宏观尺度每个增量步的每个积分点处调用RVE模型的均质化本构参与计算。传统的高保真RVE模型计算量太大，求解成本太高，无法满足多尺度并发计算的需求，迫切需要对RVE进行降阶处理，以提升其求解速度。

自适应聚类分析(Self-consistent clustering analysis,SCA)方法是一种高精高效的材料多尺度并发模拟方法，能够显著提高RVE的计算效率，有效降低求解成本，同时具有良好的求解精度。在该方法中，首先通过机器学习的聚类算法对RVE划分集群，同一个集群内认为具有均匀的应力应变，从而降低模型的自由度数量；之后结合宏观积分点处的均质化应变约束条件，通过求解Lippmann-Schwinger方程，获得微观各个集群的应力应变分布；最后根据集群应力应变分布，得到RVE的均质化应力，并将其返回宏观积分点，实现材料的宏微观多尺度并发模拟。自适应聚类分析方法能够从多个尺度深入分析材料内部各组成相复杂的弹塑性、损伤等非线性力学行为。然而，在自适应聚类分析过程中，仍然需要提供RVE各组成相材料的唯象本构模型。随着材料的力学行为越来越复杂，现有的唯象本构模型往往难以精确描述材料实际力学行为。另外，唯象本构模型一般具有多个模型参数需要通过实验进行标定，参数标定过程又会带来新的偏差，这些偏差会在多尺度并发模拟过程中进一步放大，影响分析结果的准确性和可靠性。

数据驱动的计算力学方法是一种新兴的不依赖与材料本构模型的数值求解范式，在近年来得到快速的发展和完善。该方法直接从实验所获得的材料数据集出发，结合相容性条件和平衡方程等约束条件，通过对系统自由能的最小化，获取系统平衡状态的最优解。该方法无需建立材料的唯象本构模型，可直接通过材料的离散应力应变数据点求解结构的力学响应，能够从根本上避免唯象本构模型及材料参数标定所带来的系统偏差。然而，作为一种新型计算范式，数据驱动计算力学方法体系还不及有限元法成熟，在处理材料塑性等加载历史相关的力学行为时，该方法还存在一定的局限性；另一方面，目前的数据驱动计算力学方法理论体系仅局限与单一尺度下的结构仿真分析，尚无法应用于材料的多尺度并发模拟。因此，建立一种加载历史相关的数据驱动多尺度并发模拟方法，具有十分重要的意义。

发明内容

针对现有技术中的缺陷，本发明提供一种加载历史相关的数据驱动多尺度并发模拟方法及系统。

根据本发明提供的一种加载历史相关的数据驱动多尺度并发模拟方法及系统，所述方案如下：

第一方面，提供了一种加载历史相关的数据驱动多尺度并发模拟方法，所述方法包括：线下阶段和线上阶段；