Current approaches for modeling structural components and assemblies with nonlinear and history-dependent behaviors rely on detailed finite element formulations of each component. Consequently, their computational cost could become prohibitive for many engineering applications. In this work, we introduce a framework to develop data-driven dimensionally-reduced surrogate models at the component level, which we call smart parts (SPs), to establish a direct relationship between the input–output parameters of the component. Our method utilizes advanced machine learning techniques to develop SPs such that all the information pertaining to history and nonlinearities is preserved. Unlike other data-driven approaches, our method is not limited to any particular type of nonlinearity and it does not impose restrictions on the type of analysis to be performed. This renders its application straightforward for a diverse set of engineering problems, as we show through multiple case studies. We demonstrate our method’s ability by comparing its results with those obtained via high-fidelity finite element simulations. Our findings indicate that SPs dramatically reduce the computational cost without much loss in accuracy, thus enabling the analysis of complex assemblies in the nonlinear regime. Our approach is general and can be adopted in different fields of research such as structural health monitoring and topology optimization, to name a few.

当前用于对具有非线性和历史相关行为的结构部件和组件进行建模的方法依赖于每个部件的详细有限元公式。因此，对于许多工程应用而言，它们的计算成本可能变得过高。在这项工作中，我们引入了一个框架来在组件级别开发数据驱动的降维替代模型，我们称之为智能部件 (SP)，以在组件的输入-输出参数之间建立直接关系。我们的方法利用先进的机器学习技术来开发 SP，从而保留所有与历史和非线性相关的信息。与其他数据驱动的方法不同，我们的方法不限于任何特定类型的非线性，也不限制要执行的分析类型。正如我们通过多个案例研究展示的那样，这使得它可以直接应用于各种工程问题。我们通过将其结果与通过高保真有限元模拟获得的结果进行比较来证明我们的方法的能力。我们的研究结果表明，SP 显着降低了计算成本，而不会造成太大的准确性损失，从而能够在非线性状态下分析复杂的装配体。我们的方法是通用的，可用于不同的研究领域，例如结构健康监测和拓扑优化，仅举几例。正如我们通过多个案例研究所展示的那样。我们通过将其结果与通过高保真有限元模拟获得的结果进行比较来证明我们的方法的能力。我们的研究结果表明，SP 显着降低了计算成本，而不会造成太大的准确性损失，从而能够在非线性状态下分析复杂的装配体。我们的方法是通用的，可用于不同的研究领域，例如结构健康监测和拓扑优化，仅举几例。正如我们通过多个案例研究所展示的那样。我们通过将其结果与通过高保真有限元模拟获得的结果进行比较来证明我们的方法的能力。我们的研究结果表明，SP 显着降低了计算成本，而不会造成太大的准确性损失，从而能够在非线性状态下分析复杂的装配体。我们的方法是通用的，可用于不同的研究领域，例如结构健康监测和拓扑优化，仅举几例。