学术活动

晶体孔洞损伤演化的多尺度研究和深度学习模型

来源:力学与工程学院  作者:马晓梅     日期:2020/11/13 9:18:59   点击数:1187  

时间:2020-11-18 10:00

地点:九里1号综合楼240

报告人:黄敏生

 

个人简介:

黄敏生,华中卓越学者,华中科技大学航空航天学院工程力学系主任。担任中国力学学会青年工作委员会委员、《固体力学学报》英文版编委、中国力学学会微纳米工作组组员、湖北省力学学会青年工作委员会主任。曾在英国Portsmouth大学担任高级研究助理和客座Senior Lecturer,从事镍基高温合金叶片材料力学行为的多尺度模拟。研究方向主要为多尺度塑性和损伤、抗高温、辐照和强磁场材料的力学行为及其多尺度关联。在JMPS、Int. J. Plasticity、Acta Mater、J. Nuc. Mat等固体力学顶级期刊和材料学国际权威期刊上发表SCI论文60余篇。

讲座内容:

金属材料的损伤和断裂与微孔洞的形核、长大和聚合密切相关。其中孔洞长大过程持续时间较长,国内外研究学者对其进行了大量研究。然而,无论是当前广泛应用的Gurson模型和GTN模型,还是在此基础上新近发展的空洞损伤模型都是以“各向同性基体”为基本假设的。事实上,损伤孔洞尺寸远远小于晶粒大小或至少和其在同一尺度。在这一尺度下,孔洞所处的各向异性晶体环境和材料微结构对孔洞演化势必产生重要的影响,然而至今为止鲜有相关的报道。首先,基于晶体塑性我们研究了多晶晶向和局部微结构对孔洞长大的影响,探讨了其与外载的相关性,并创新地建立了一个随机统计的空洞长大模型。此外,发展了一种基于XFEM的高效离散位错动力学算法,在此基础上考虑了晶粒尺度离散塑性和尺度效应对随机统计孔洞长大的影响,并探讨了其内在位错机制。最后,基于PyTorch建立了预测多晶孔洞长大的卷积神经网络+循环神经网络模型,以达到快速预测不同晶向、晶粒大小、孔洞大小和局部环境中孔洞的长大。


热点新闻

交大视频