Deep material networks for fiber suspensions with infinite material contrast

我们将直接深度材料网络（DMNs）的层压框架扩展到处理非牛顿溶剂中的刚性纤维悬浮物。为此，我们推导出两相均质化模块，能够处理不可压缩的流体相和无限材料对比度。特别地，我们利用现有的线性弹性层压板结果，确定了两相分层乳液的线性均质化函数的封闭形式表达式。为了处理无限材料对比度，我们依靠两相分层乳液的重复分层，形成涂覆层状材料。我们推导出必要和充分的条件，以确保具有不可压缩相的涂覆层状材料的有效性质是非奇异的，即使其中一个相是刚性的。有了推导出的均质化模块和非奇异条件，我们提出了一种新颖的DMN架构，称为柔性DMN（FDMN）架构。我们构建和训练FDMNs，以预测具有Cross型矩阵材料的剪切变稀纤维悬浮液的有效应力响应。对于31个纤维取向状态、六个载荷情况和涉及工程过程的广泛剪切率范围，与基于快速傅里叶变换的计算技术的直接数值模拟相比，FDMNs在验证误差低于4.31%的情况下实现了训练。与作者联合介绍的传统机器学习方法相比，针对所考虑的材料和流动情况，FDMNs在增加计算成本的同时提供更好的准确性。

本文旨在扩展直接深度材料网络（DMN）的层压框架，以处理非牛顿溶剂中的刚性纤维悬浮液。

本文使用两相均质化模块来处理不可压缩的流体相和无限材料对比度。通过涂覆层状材料的重复分层，处理无限材料对比度。

本文提出了一种新的DMN体系结构，名为FDMN体系结构，可预测剪切变薄纤维悬浮液的有效应力响应。 FDMN在31个纤维方向状态，六个载荷情况和广泛的剪切速率范围内，与基于快速傅里叶变换的数值模拟相比，实现了低于4.31％的验证误差。

最近的相关研究包括“直接深度材料网络（DMN）用于多物理场过程的材料设计”和“直接深度材料网络（DMN）的高效多物理场过程模拟”等。