Multi-field and multi-scale computational fracture mechanics and machine-learning material modeling

Heider, Yousef; Schrefler, Bernhard; Markert, Bernd; Müller, Ralf

doi:40708

Multi-field and multi-scale computational fracture mechanics and machine-learning material modeling = Mehrfeld- und mehrskalige rechnerunterstützte Bruchmechanik und maschinell lernende Materialmodellierung

Heider, Yousef^RWTH*

2021

Verantwortlichkeitsangabevon Dr.-Ing. Yousef Heider

ImpressumAachen : RWTH Aachen University 2021

Umfang1 Online-Ressource : Illustrationen, Diagramme

ReiheReport. IAM, Institute of General Mechanics ; IAM-13

Habilitationsschrift, Rheinisch-Westfälische Technische Hochschule Aachen, 2021

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
Markert, Bernd (Thesis advisor)^RWTH* ; Schrefler, Bernhard (Thesis advisor) ; Müller, Ralf (Thesis advisor)

Tag der mündlichen Prüfung/Habilitation
2021-06-29

Online
DOI: 10.18154/RWTH-2021-10362
URL: https://publications.rwth-aachen.de/record/835190/files/835190.pdf

Einrichtungen

Lehrstuhl und Institut für Allgemeine Mechanik (411110)

Inhaltliche Beschreibung (Schlagwörter)
ANN (frei) ; DRL (frei) ; ML (frei) ; TPM (frei) ; TR-BDF2 (frei) ; brittle fracture (frei) ; coupled problems (frei) ; deep learning (frei) ; drying-induced fracture (frei) ; finite element method (frei) ; fluid injection (frei) ; fracture modeling (frei) ; hydraulic fracture (frei) ; machine-learning (frei) ; macroscale (frei) ; monolithic and splitting solution (frei) ; multiphasic (frei) ; multiple components (frei) ; nanoscale (frei) ; neural networks (frei) ; phase-field modeling (frei) ; porous Media (frei) ; porous media mechanics (frei) ; reinforcement learning (frei) ; strong coupling (frei) ; unsaturated porous media (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Die Bruchmechanik zählt zu den aufstrebenden und vielversprechendsten Gebieten der Ingenieurmechanik. In den letzten Jahrzehnten wurden zahlreiche theoretische, experimentelle und numerische Studien zu den Themen Rissentstehung und -ausbreitung in festen und porösen Materialien durchgeführt. Dies wurde durch viele Herausforderungen und Notwendigkeiten in den Ingenieurbereichen vorangetrieben, wie z.B. die dringende Notwendigkeit, sichere, zuverlässige und nachhaltige Strukturen zu entwerfen, die allen Arten von erwarteten natürlichen und menschlichen Einwirkungen standhalten können, oder die vielversprechende Anwendung von Bruchmethoden in Bereichen wie Energieproduktion, geothermische Systeme, Bodenkunde und Geotechnik. Aus mechanischer und rechnerischer Sicht stellt das Bruchverhalten fester und poröser Materialien ein anspruchsvolles mehrskaliges Mehrphasenproblem dar, das mehrere mögliche gleichzeitige physikalische Prozesse und viele Quellen numerischer Instabilität umfasst. Um ein ganzheitliches Verständnis sowie eine effiziente und genaue Bruchmodellierung zu ermöglichen, wird sich die zugrundeliegende Monographie mit der Bruchmechanik und den damit verbundenen Prozessen auf allen Skalen, d.h. auf der Nano-, Mikro- und Makroskala, befassen. Dies beinhaltet erstens die Nutzung von Molekulardynamik-Simulationen (engl. Molecular Dynamics, Abk. MD) zum Verständnis des Bruchmechanismus und zur Bestimmung von Materialparametern spröder Festkörperwerkstoffe auf der Nanoskala, zweitens die Einbettung des Phasenfeld-Modellierungsansatzes (engl. Phase-Field Modeling, Abk. PFM) in die Kontinuumsmechanik für die Bruchmodellierung auf der makroskopischen Skala und drittens die Einbettung des PFM-Ansatzes in die Kontinuumsmechanik poröser Medien (engl. Porous Media, Abk. PM) zur Modellierung des hydraulischen Bruchs in gesättigten und ungesättigten porösen Medien, d.h. PM-PFM kombiniertes Verfahren. In konventionellen Ansätzen der Werkstoffmechanik, wie z.B. der Bruchmechanik, der Festkörpermechanik oder der Mechanik poröser Medien, liefert die konstitutive Modellierung explizite mathematische Ausdrücke, die auf phänomenologischen Beobachtungen oder experimentellen Daten beruhen. Diese Modelle können darüber hinaus strengen Einschränkungen unterworfen werden, wie z.B. den Bilanzgleichungen oder den thermodynamischen Einschränkungen. Um die Komplexität des konstitutiven Modells und die Erhöhung der Anzahl der erforderlichen Materialparameter auf ein unpraktisches Niveau zu vermeiden, übersehen diese Materialmodelle zum Teil oder ganz mikroskopische Informationen. Dies kann jedoch zu einer Verschlechterung der Genauigkeit des Modells führen, insbesondere bei der Beschreibung von mehrskaligen und zeit- oder pfadabhängigen Reaktionen wie bei Kristallplastizität oder bei der nichtlinearen anisotropen Strömung in porösen Medien. Dies ebnet den Weg für die Implementierung von datenbasierten künstlichen neuronalen Netzen (engl. Artificial Neural Networks, Abk. ANN) zur Erzeugung von maschinell lernenden (ML)-Materialmodellen, die in der Lage sind, komplexe Abhängigkeiten von Mikrogeometrie und Zeit- oder Pfadabhängigkeiten zu extrahieren, ohne dass die Materialparameter explizit bestimmt werden müssen. Daher wird das vierte Ziel der zugrundeliegenden Monographie darin bestehen, die Fähigkeiten des maschinellen Lernens zu nutzen, indem tiefe neuronale Netze (engl. Deep Neural Networks, Abk. DNN) und tiefes Verstärkungslernen (engl. Deep Reinforcement Learning, Abk. DRL) verwendet werden, um ML-basierte Materialmodelle zu generieren, die auf mikrostrukturellen Daten in den Trainingsdatensätzen beruhen. Die oben genannten Ansätze, unterstützt durch leistungsstarke Rechenkapazitäten und experimentelle Daten, ermöglichen es, komplizierte reale Mehrphasen- und Mehrskalenprobleme aus der Mechanik fester und poröser Medien zuverlässig zu simulieren und zu verstehen.

Fracture mechanics counts to the most emerging and promising fields of engineering mechanics. In the last few decades, the topics of crack initiation and propagation in solid and porous materials have attracted numerous theoretical, experimental, and numerical studies. This was driven by many challenges and necessities in engineering fields, such as the bad need for designing safe, reliable, and sustainable structures that withstand all types of expected natural and human actions, or the promising application of fracture tools in sectors like energy production, geothermal systems, soil science, and geotechnical engineering. From a mechanical and computational point of view, the fracturing of solid and porous materials presents a challenging multi-scale multi-phase problem, which includes possible several simultaneous physical processes and many sources of numerical instability. For a holistic understanding as well as efficient and accurate fracture modeling, the underlying monograph will address fracture mechanics and related processes across the scales, i.e. nanoscale, microscale, and macroscale. This includes, first, utilization of Molecular Dynamics (MD) simulations to understand fracture mechanism and conclude material parameters of brittle solid materials on the nanoscale, second, embedding the phase-field modeling (PFM) approach in continuum mechanics for fracture modeling on the macroscopic scale, and, third, embedding the PFM approach in continuum porous media mechanics (PM) to model hydraulic fracturing in saturated and unsaturated porous media, i.e. PM-PFM combined procedure. In conventional approaches in the mechanics of materials, such as in fracture mechanics, solid mechanics, or porous media mechanics, the constitutive modeling provides explicit mathematical expressions, which are based on phenomenological observations or experimental data. These models can further be subjected to hard constraints, such as the balance equations or the thermodynamics restrictions. To avoid the constitutive model's complexity and the increase of the number of required material parameters to an impractical level, these material models partially or entirely overlook microscopic information. This might lead, however, to deterioration of the model's accuracy, especially in the description of multi-scale and time- or path-dependent responses like in crystal plasticity or in nonlinear anisotropic porous media flow. This paves the way for the implementation of data-based artificial neural networks (ANN) to generate machine-learning (ML)-material models, which are capable to extract complex dependencies on micro-geometry and time or path dependencies without the need to explicitly determine the material parameters. Therefore, the fourth aim of the underlying monograph will be utilizing the capabilities of Machine Learning, via using deep neural networks (DNN) and deep reinforcement learning (DRL) to generate ML-based material models, which rely on microstructural information in the training datasets. The aforementioned approaches backed by powerful computational capacities and experimental data give the ability to reliably simulate and understand complicated real multi-phase and multi-scale problems out of solid and porous media mechanics.

OpenAccess:
PDF
(additional files)