НАЗВАНИЕ СТАТЬИ:
Совершенствование моделей прочности и разрушения материалов с~использованием алгоритмов машинного обучения

СПИСОК АВТОРОВ:
Григорьев С.Ю., Дьячков С.А.

DOI:
https://doi.org/10.33849/2022107

ПОСТУПИЛА В РЕДАКЦИЮ:
5 декабря 2022 г.

ЖУРНАЛ:
Вестник Объединенного института высоких температур

ТОМ:
7

ГОД:
2022

СТРАНИЦЫ:
40-47

РУБРИКА:
Теплофизические свойства веществ

КЛЮЧЕВЫЕ СЛОВА:
Ударные волны; машинное обучение; метод сглаженных частиц; упругопластика; разрушение; откол

КОДЫ КЛАССИФИКАТОРОВ:
УДК 519.65 531 536

АННОТАЦИЯ:
Представлены результаты исследований по разработке методик усовершенствования материальных моделей в контексте задач, связанных с физикой высоких плотностей энергии и интенсивных динамических воздействий. Разработан алгоритм машинного обучения для материальных моделей разной степени сложности с использованием прямых данных ударно-волновых экспериментов (профилей скорости ударно-нагруженных образцов). Суть алгоритма состоит в проведении прямого численного моделирования методами механики сплошной среды с изменяющимися в ходе оптимизации параметрами моделей материалов с целью наиболее точного воспроизведения профилей скорости. Алгоритм протестирован на примере определения константных наборов упругопластических моделей, моделей разрушения и откола. Использование такого рода алгоритмов позволяет автоматизировать процедуру определения константных наборов для материальных моделей, и может использоваться совместно с базами данных свойств материалов для эволюционного улучшения параметров моделей по мере увеличения объема данных.

TITLE:
Improving strength and failure material models using machine learning algorithms

AUTHORS:
Grigoryev S.Yu., Dyachkov S.A.

KEYWORDS:
Shock waves; machine learning; smoothed particle hydrodynamics; elastic-plastic models; failure; spallation

ABSTRACT:
The results of research on the development of methods to improve material models in the context of problems related to the physics of high energy density and intense dynamic processes are presented. A machine learning algorithm has been developed for material models of varying degrees of complexity using direct data from shockwave experiments (velocity profiles of shock-loaded specimens). The essence of the algorithm consists in direct numerical simulation by continuum mechanics methods with material model parameters changing during optimization in order to reproduce the velocity profiles as accurately as possible. The algorithm is tested on the example of determining constant sets of elastic-plastic models, failure models, and spallation models. The use of such algorithms allows to automate the procedure of constant sets determination for material models and can be used together with databases of material properties for evolutionary improvement of model parameters as the data volume increases.