HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ
Lọc theo danh mục
liên kết website
Lượt truy cập
Lượt truy cập :
25,664,669
- Công bố khoa học và công nghệ Việt Nam
67
Vật liệu xây dựng
BB
Vũ Bá Thành(1), Hoàng Việt Hải, Nguyễn Xuân Lam, Nguyễn Duy Tiến
Dự báo tải trọng và chuyển vị tới hạn của vật liệu giòn bằng mô hình trường pha kết hợp với phương pháp học máy
Critical load and displacement prediction of brittle materials using phase-field modeling combined with machine learning method
Tạp chí Khoa học Giao thông vận tải
2025
05
739-751
1859-2724
Phương pháp trường pha đã chứng minh được tính ưu việt trong việc mô phỏng, xác định tải trọng và chuyển vị tới hạn tại thời điểm bắt đầu phát triển vết nứt của vật liệu giòn. Bài báo này kết hợp phương pháp trường pha để xác định dữ liệu đầu vào và sử dụng học máy để dự báo tải trọng và chuyển vị tới hạn. Mô phỏng được thực hiện trên mẫu vuông chứa vết nứt mồi chịu kéo trực tiếp, với vật liệu giòn, đồng nhất, đẳng hướng, có sự thay đổi về kích thước, chiều dài vết nứt mồi và đặc trưng vật liệu. Việc tạo 100 bộ dữ liệu bằng mô phỏng truyền thống mất nhiều thời gian, do đó, bài báo khai thác các thuật toán học máy để dự báo hư hỏng của mẫu vật liệu trung gian. Kết quả phân tích cho thấy phương pháp học máy giúp sự hội tụ kết quả nhanh chóng, từ đó tạo tiền đề giải quyết các bài toán mẫu vật liệu phức tạp hơn. Cơ sở dữ liệu của 100 mẫu trên được sử dụng để huấn luyện các thuật toán học máy, bao gồm mô hình LR, SVR, RF, KNN, Adaboost, XGboost, và Catboost. Với độ chính xác R2=0,964 khi dự báo giá trị tải trọng tới hạn và có chỉ số R2=0,9751 khi dự báo chuyển vị tới hạn, ta thấy rằng mô hình Catboost có độ chính xác lớn nhất, đồng thời thể hiện khả năng tối ưu trong việc dự báo tải trọng và chuyển vị tới hạn. Nghiên cứu góp phần chứng minh khả năng ứng dụng phương pháp học máy nhằm tối ưu thời gian xác định đặc trưng ứng xử của vật liệu.
The phase-field method has proven to be highly effective in simulating and determining the critical load and displacement at which crack initiation occurs in brittle materials. This paper combines the phase-field method to identify input datas with machine learning models to predict critical load and displacement. Simulations are performed on a square sample with an initial crack in tension, using a homogeneous, isotropic brittle material with varying specimen sizes, initial crack lengths, and material properties. Traditional simulation methods for generating 100 datasets are time-consuming, therefore, this study leverages machine learning algorithms to predict the damage of intermediate samples. The analysis results show that the machine learning approach facilitates rapid convergence, thereby laying the groundwork for solving more complex structural problems. The dataset of 100 samples is used to train machine learning models, including Linear Regression (LR), SVR, Random Forest (RF), KNN, Adaboost, XGBoost, and CatBoost. With an accuracy of R² = 0,964 when predicting the critical load value and R² = 0,9751 when predicting the critical displacement, the CatBoost model exhibits the highest accuracy and demonstrates optimal capability in forecasting the critical load and displacement. This study contributes to demonstrating the potential of machine learning in optimizing the determination of material behaviors.
TTKHCNQG, CVv 287
Xem toàn văn