Zusammenfassung - In Richtung robuster Surrogatmodelle: Benchmarking maschineller Lernansätze zur Beschleunigung von Phasenfeldsimulationen brüchiger Bruchprozesse

In Richtung robuster Surrogatmodelle: Benchmarking maschineller Lernansätze zur Beschleunigung von Phasenfeldsimulationen brüchiger Bruchprozesse

2025-07-09 19:14:56

{"Erfan Hamdi","Emma Lejeune"}

{cs.LG,physics.data-an,"74R10, 74B20, 74A40, 68T07","J.2; I.6.3; I.6.5"}

Das Papier stellt ein Datensatz für das Benchmarking maschineller Lernansätze zur Modellierung bruchgefährlicher Frakturen vor, insbesondere unter Verwendung des Phasenfeldmodellierens (PFM). Dieser Datensatz zielt darauf ab, die Berechenbarkeit der Modellierung komplexer, nichtlinearer physikalischer Phänomene wie Fraktur zu verbessern. Die Modellierung von Fraktur ist aufgrund ihrer Diskontinuitäten, scharfen Gradienten und Topologieänderungen herausfordernd. PFM bietet einen variationalen Ansatz zur Modellierung dieser Merkmale, aber aktuelle ML-Studien verlassen sich oft auf einfache Benchmarks, die die Komplexität der Frakturprozesse nicht widerspiegeln. Der Datensatz enthält 6.000 zweidimensionale, quasistatischen Simulations des PFM für bruchgefährliche Frakturen. Er umfasst verschiedene Randbedingungen, Energiezerlegungsmethoden und Initialkrackkonfigurationen. Jede Simulation erfassen die zeitliche Entwicklung des Krackfeldes mit 100 Zeitschritten. Die Autoren implementieren und bewerten mehrere Basismodellierungsansätze für maschinelles Lernen, einschließlich Physics Informed Neural Networks (PINNs), Fourier Neural Operators (FNOs) und UNets. Sie untersuchen ebenfalls den Einfluss von Ensemble-Strategien auf die Vorhersagegenauigkeit. Die Ergebnisse unterstreichen das Potenzial und die Begrenzungen aktueller ML-Modelle für die Modellierung von Fraktur. Während PINNs mit komplexen Fällen Schwierigkeiten haben, erzeugen UNets und FNOs vernünftigere Vorhersagen. Ensemblemethoden verbessern die Leistung, aber ihre Effektivität hängt von der Leistung der Submodelle ab. Der Datensatz und die Basismodelle bieten einen standardisierten Benchmark zur Bewertung von ML-Ansätzen in der Festkörpermechanik. Die Autoren betonen die Bedeutung der Berücksichtigung der Modellinitialisierung, des Konvergenzverhaltens und geeigneter Metriken zur Bewertung der Leistung. Zukünftige Arbeiten könnten sich darauf konzentrieren, fortschrittlichere ML-Architekturen zu entwickeln, Trainingsstrategien zu verbessern und alternative Metriken zu erkunden, um die Komplexitäten der Frakturmodellierung besser zu erfassen.