Pharindra Pathak

图神经网络精确模拟热塑性复合材料力学性能

研究人员开发了一个新颖的数据驱动代理框架，用于预测增材制造短纤维热塑性复合材料的力学行为。该框架采用了混合图神经网络-长短期记忆（GNN-LSTM）架构，该架构基于从微计算机断层扫描重建的微观结构数据进行训练。与高保真模拟相比，该模型能够准确预测刚度和应力-应变行为，R平方值高达约0.98，同时将计算成本降低了两个数量级以上。这种方法提供了一种物理信息驱动且数据高效的方法，用于识别组件中力学性能较弱的区域并加速数字孪生开发。