Исследователи представили метод Interface-Aware Neural Newton Preconditioning для повышения устойчивости численного моделирования разрушений в композитных материалах. Алгоритм решает проблему нестабильности при расчете зон сцепления (CZM), где традиционные методы Ньютона часто сталкиваются с расходимостью из-за резких скачков напряжений и отрицательных касательных модулей в процессе деградации материала.
Моделирование разрушения слоистых структур, таких как отслоение или дебондинг волокна и матрицы, критически важно для аэрокосмической отрасли. В стандартных методах конечных элементов (FEA) процесс «размягчения» материала создает математические сложности, при которых предыдущее состояние системы становится неэффективным начальным приближением для следующего шага итерации. Нейросетевой подход позволяет динамически корректировать процесс сходимости, учитывая физические особенности интерфейсов.
Предложенный подход использует нейронные сети для аппроксимации предобусловливателя, который адаптируется к локальному состоянию интерфейса. Это позволяет эффективно преодолевать «несоответствие бассейнов притяжения» (Newton-basin mismatch), характерное для задач с нелинейным поведением материала. Метод обеспечивает стабильность вычислений даже при значительных скачках в поведении модели, сокращая количество итераций, необходимых для достижения сходимости в квазистатических задачах.
Ключевые факты
- Метод ориентирован на моделирование разрушения (fracture) и отслоения (delamination) в аэрокосмических композитах.
- Алгоритм решает проблему отрицательных касательных модулей, возникающих при использовании моделей зон сцепления (CZM).
- Нейросетевое предобусловливание устраняет ошибки сходимости, вызванные резкими изменениями в поведении материала.
- Решение повышает надежность неявного квазистатического анализа методом конечных элементов (FEA).