Loading...

Development and Formulation of a Machine Learning Model for Analyzing Microstructures in Lattice Structures with Spherical Porosities

Safinia, Pouya | 2023

0 Viewed
  1. Type of Document: M.Sc. Thesis
  2. Language: Farsi
  3. Document No: 57182 (08)
  4. University: Sharif University of Technology
  5. Department: Mechanical Engineering
  6. Advisor(s): Asghari, Mohsen
  7. Abstract:
  8. lattice structures are part of cellular structures that have cavities or porosities. Because of their unique properties that could be seen in human tissue structures such as bones, despite their low weight, these structures possess desirable mechanical properties and high energy absorption capability. In recent years with the development of additive manufacturing methods that could be used to generate these structures, lattice structures have gained more attention. The analysis and investigation of these structures are usually carried out using various methods to optimize their shape or find their mechanical properties. These methods can be divided into 4 groups: FEM/Analytical methods, homogenization methods, experimental methods, and data-driven methods. Data-driven methods can alleviate the time-consuming nature of homogenization methods and the need for high computational power in finite element methods. However, in this field, there has not been a machine learning model for predicting the mechanical properties of porous materials with irregular geometry. Additionally, while these methods have been developed for composite materials, there is no machine-learning model available for predicting the mechanical properties of composite materials with low computational cost. In this research, after creating a very large set of randomly different foam geometries as RVEs with spherical porosities, the geometries created by a Python code using two algorithms were homogenized using ABAQUS software. A large dataset, in pairs, including foam geometries as features and homogenized elastic tensors as labels was then created. Subsequently, three different machine learning models that do not require high computational power were developed, each with a different presentation of geometry and a different type of machine learning model. Among these three models, the main model, which had the best results among the three, was developed with inspiration from the transformer model and showed excellent performance in predicting the homogenized elastic tensor, achieving an R-squared score of 0.958 on the test data. By successfully predicting the elastic tensor, the results have shown that the computational time and cost of estimating the mechanical properties of the materials under study can be significantly reduced using machine learning models, even if the structure has a complex geometry
  9. Keywords:
  10. Lattice Structures ; Foam Stability ; Homogenization ; Neural Network ; Point Cloud ; Point Transformer ; Microstructure

 Digital Object List

 Bookmark

  • 1‏-‏ فصل اول: مقدمه و مروری بر ادبیات موضوعی
    • 1‏‏-‏1‏-‏ مقدمه
      • 1‏‏-‏1‏-‏1‏-‏ تعریف ساختار مشبک (شبکهای)
    • 1‏‏-‏2‏-‏ مرور مقالات
      • 1‏‏-‏2‏-‏1‏-‏ پارامتریسازی هندسه و دیتاستهای موجود
      • 1‏‏-‏2‏-‏2‏-‏ روش تجربی
      • 1‏‏-‏2‏-‏3‏-‏ روش همگنسازی
      • 1‏‏-‏2‏-‏4‏-‏ روش تحلیل/ المان تیر وخرپا
      • 1‏‏-‏2‏-‏5‏-‏ روشهای داده محور
    • 1‏‏-‏3‏-‏ اهمیت موضوع
    • 1‏‏-‏4‏-‏ اهداف پژوهش
    • 1‏‏-‏5‏-‏ جمع بندی
  • 2‏-‏ فصل دوم: مفاهیم پایه
    • 2‏‏-‏1‏-‏ مقدمه
    • 2‏‏-‏2‏-‏ مکانیک محیط پیوسته
    • 2‏‏-‏3‏-‏ مبانی اجزا محدود
    • 2‏‏-‏4‏-‏ مدلسازی چندمقیاسی
    • 2‏‏-‏5‏-‏ مواد دارای ریزساختار
    • 2‏‏-‏6‏-‏ سلول واحد و المان حجمی نماینده
    • 2‏‏-‏7‏-‏ همگنسازی
    • 2‏‏-‏8‏-‏ یادگیری ماشین
      • 2‏‏-‏8‏-‏1‏-‏ رگرسیون
      • 2‏‏-‏8‏-‏2‏-‏ یادگیری عمیق و شبکۀ عصبی
      • 2‏‏-‏8‏-‏3‏-‏ مهندسی و استخراج مختصه
  • 3‏-‏ فصل سوم: ایجاد المانهای حجمی نماینده و همگنسازی
    • 3‏‏-‏1‏-‏ مقدمه
    • 3‏‏-‏2‏-‏ فرمولبندی همگنسازی
    • 3‏‏-‏3‏-‏ اعمال شرط مرزی تناوبی
    • 3‏‏-‏4‏-‏ پیادهسازی ایجاد هندسه و همگنسازی
    • 3‏‏-‏5‏-‏ صحت سنجی همگنسازی
  • 4‏-‏ فصل چهارم: توسعه مدلهای یادگیری ماشین
    • 4‏‏-‏1‏-‏ مقدمه
    • 4‏‏-‏2‏-‏ معرفی کتابخانهها
    • 4‏‏-‏3‏-‏ تعریف دادهها
      • 4‏‏-‏3‏-‏1‏-‏ مهندسی مختصهها
      • 4‏‏-‏3‏-‏2‏-‏ مختصهها برای مدل XGBoost
      • 4‏‏-‏3‏-‏3‏-‏ مختصهها برای مدل شبکۀ عصبی
      • 4‏‏-‏3‏-‏4‏-‏ مرتبسازی برچسبها
    • 4‏‏-‏4‏-‏ مدلهای یادگیری ماشین
      • 4‏‏-‏4‏-‏1‏-‏ مدل XGBoost
        • 4‏-‏4‏-‏‏1-‏1‏-‏ درخت تصمیمگیری
        • 4‏-‏4‏-‏‏1-‏2‏-‏ تقویت گرادیان تصادفی
      • 4‏‏-‏4‏-‏2‏-‏ مدلهای شبکۀ عصبی
        • 4‏-‏4‏-‏‏2-‏1‏-‏ شبکۀ عصبی با الهام از PointNet
        • 4‏-‏4‏-‏‏2-‏2‏-‏ معماری شبکۀ عصبی با الهام از PointNet
        • 4‏-‏4‏-‏‏2-‏3‏-‏ شبکۀ عصبی با الهام از مبدل نقطهای
        • 4‏-‏4‏-‏‏2-‏4‏-‏ معماری شبکۀ عصبی با الهام از مبدل نقطهای
        • 4‏-‏4‏-‏‏2-‏5‏-‏ شبکۀ عصبی بر اساس دادههای واکسلی
  • 5‏-‏ فصل پنجم: نتایج و ارزیابی مدلهای توسعه داده شده
    • 5‏‏-‏1‏-‏ شاخص ارزیابی
    • 5‏‏-‏2‏-‏ نتایج مدل XGBoost
    • 5‏‏-‏3‏-‏ نتایج مدل الهام گرفته از PointNet
    • 5‏‏-‏4‏-‏ نتایج مدل الهام گرفته از مبدل نقطهای
      • 5‏‏-‏4‏-‏1‏-‏ بهترین ابرپارامترها بر اساس ارزیابی بر روی دادههای اعتبارسنجی
      • 5‏‏-‏4‏-‏2‏-‏ تغییر معیارها بر حسب تعداد تکرار (epoch)
      • 5‏‏-‏4‏-‏3‏-‏ نتایج معیارها برای دادههای تمرین، اعتبارسنجی و تست
      • 5‏‏-‏4‏-‏4‏-‏ مقدار پیشبینی شده در مقابل مقدار واقعی
  • 6‏-‏ فصل ششم: بحث و نتیجهگیری و پیشنهادات
    • 6‏‏-‏1‏-‏ بحث و نتیجهگیری در مورد نتایج مدل XGBoost
    • 6‏‏-‏2‏-‏ بحث و نتیجهگیری در مورد نتایج مدل با الهام از PointNet
    • 6‏‏-‏3‏-‏ بحث و نتیجهگیری در مورد نتایج مدل با الهام از مبدل نقطهای
    • 6‏‏-‏4‏-‏ نتیجهگیری کلی
    • 6‏‏-‏5‏-‏ پیشنهادات
  • 7‏-‏ مراجع
  • 8‏-‏ پیوستها
    • 8‏‏-‏1‏-‏ پیوست الف: کد ایجاد هندسه اولیه
    • 8‏‏-‏2‏-‏ پیوست ب: کد همگنسازی
    • 8‏‏-‏3‏-‏ پیوست ج: کد آمادهسازی ثانویه دادهها برای ارائه به مدلهای شبکۀ عصبی
    • 8‏‏-‏4‏-‏ پیوست د: کد مدل شبکۀ عصبی با الهام از مبدل نقطهای
    • 8‏‏-‏5‏-‏ پیوست ه: کد مدل شبکۀ عصبی با الهام از PointNet
    • 8‏‏-‏6‏-‏ پیوست و: کد محاسبه تاثیر ژاکوبین و ضرایب وزنی
...see more