In the paper, we present an integrated data-driven modeling framework based on process modeling, material homogenization, mechanistic machine learning, and concurrent multiscale simulation. We are interested in the injection-molded short fiber reinforced composites, which have been identified as key material systems in automotive, aerospace, and electronics industries. The molding process induces spatially varying microstructures across various length scales, while the resulting strongly anisotropic and nonlinear material properties are still challenging to be captured by conventional modeling approaches. To prepare the linear elastic training data for our machine learning tasks, Representative Volume Elements (RVE) with different fiber orientations and volume fractions are generated through stochastic reconstruction. More importantly, we utilize the recently proposed Deep Material Network (DMN) to learn the hidden microscale morphologies from data. With essential physics embedded in its building blocks, this data-driven material model can be extrapolated to predict nonlinear material behaviors efficiently and accurately. Through the transfer learning of DMN, we create a unified process-guided material database that covers a full range of geometric descriptors for short fiber reinforced composites. Finally, this unified DMN database is implemented and coupled with macroscale finite element model to enable concurrent multiscale simulations. From our perspective, the proposed framework is also promising in many other emergent multiscale engineering systems, such as additive manufacturing and compressive molding.

中文翻译：

---

基于过程引导复合数据库的智能多尺度仿真

在本文中，我们提出了一个基于过程建模、材料均质化、机械机器学习和并发多尺度模拟的集成数据驱动建模框架。我们对注塑成型的短纤维增强复合材料感兴趣，该复合材料已被确定为汽车、航空航天和电子行业的关键材料系统。成型过程会在不同的长度尺度上产生空间变化的微观结构，而由此产生的强烈各向异性和非线性材料特性仍然难以通过传统建模方法捕获。为了为我们的机器学习任务准备线弹性训练数据，通过随机重建生成具有不同纤维取向和体积分数的代表性体积元素 (RVE)。更重要的是，我们利用最近提出的深度材料网络 (DMN) 从数据中学习隐藏的微尺度形态。通过在其构建块中嵌入基本物理学，可以外推这种数据驱动的材料模型，以高效准确地预测非线性材料行为。通过 DMN 的迁移学习，我们创建了一个统一的过程引导材料数据库，该数据库涵盖了短纤维增强复合材料的全方位几何描述符。最后，这个统一的 DMN 数据库被实现并与宏观有限元模型相结合，以实现并发多尺度模拟。从我们的角度来看，所提出的框架在许多其他新兴的多尺度工程系统中也很有前景，例如增材制造和压缩成型。通过在其构建块中嵌入基本物理学，可以外推这种数据驱动的材料模型，以高效准确地预测非线性材料行为。通过 DMN 的迁移学习，我们创建了一个统一的过程引导材料数据库，该数据库涵盖了短纤维增强复合材料的全方位几何描述符。最后，这个统一的 DMN 数据库被实现并与宏观有限元模型相结合，以实现并发多尺度模拟。从我们的角度来看，所提出的框架在许多其他新兴的多尺度工程系统中也很有前景，例如增材制造和压缩成型。通过在其构建块中嵌入基本物理学，可以外推这种数据驱动的材料模型，以高效准确地预测非线性材料行为。通过 DMN 的迁移学习，我们创建了一个统一的过程引导材料数据库，该数据库涵盖了短纤维增强复合材料的全方位几何描述符。最后，这个统一的 DMN 数据库被实现并与宏观有限元模型相结合，以实现并发多尺度模拟。从我们的角度来看，所提出的框架在许多其他新兴的多尺度工程系统中也很有前景，例如增材制造和压缩成型。我们创建了一个统一的流程引导材料数据库，其中涵盖了短纤维增强复合材料的所有几何描述符。最后，这个统一的 DMN 数据库被实现并与宏观有限元模型相结合，以实现并发多尺度模拟。从我们的角度来看，所提出的框架在许多其他新兴的多尺度工程系统中也很有前景，例如增材制造和压缩成型。我们创建了一个统一的流程引导材料数据库，其中涵盖了短纤维增强复合材料的所有几何描述符。最后，这个统一的 DMN 数据库被实现并与宏观有限元模型相结合，以实现并发多尺度模拟。从我们的角度来看，所提出的框架在许多其他新兴的多尺度工程系统中也很有前景，例如增材制造和压缩成型。