Development of artificial intelligence techniques for the calibration of numerical models of materials

Abstract

Nowadays, Finite Element Analysis (FEA) is currently being widely used in the design and development of new parts and their attained results are generally accepted as trustworthy. However, the accuracy of these results highly depends on the ability of the simulation software to reproduce the material’s behaviour. So, the calibration of constitutive material models is of extreme importance. Even though the developments in Digital Image Correlation techniques and full-field measurements have proven to be effective for both linear and non-linear models, Finite Element Model Updating (FEMU) and Virtual Fields Method (VFM) are complex and time-consuming. In this work, a new parameter identification methodology is developed, which uses an artificial neural network (ANN) to directly model the inverse problem. The ANN model is trained using data from the FEA direct problem, resulting in an accurate calibration solution. The proposed methodology was validated using two heterogeneous test: a tensile test on a dogbone specimen and the biaxial cruciform test.

Actualmente, o uso da Análise de Elementos Finitos (FEA) está a ser utilizado no projecto e desenvolvimento de novas peças e os resultados alcançados são geralmente aceites e confiáveis. No entanto, a precisão desses resultados depende muito da capacidade do software de simulação numérica em reproduzir o real comportamento dos materiais. Portanto, a calibração dos modelos constitutivos de materiais é de extrema importância. Embora os desenvolvimentos em técnicas de correlação digital de imagem e medições de campo completo provem ser eficazes para modelos lineares e não lineares, a actualização do modelo de elementos finitos (FEMU) e o método dos campo virtual (VFM) são complexos e demorados. Neste trabalho, uma nova metodologia de identificação de parâmetros é desenvolvida, que utiliza uma rede neuronal artifical (ANN) para modelar diretamente o problema inverso. O modelo ANN é treinado usando dados do problema direto desenvolvido no FEA, e resulta na calibração precisa da solução. A metodologia proposta é validada usando dois casos de estudo de ensaios heterogéneos: ensaio de tração e um ensaio biaxial cruciforme.