Makine öğrenimi teknikleri kullanılarak veriye dayalı birleşik malzeme modelinin geliştirilmesi

Abstract

Modern teknolojik gelişmelerin sağladığı büyük veri zenginliği, birçok mühendislik disiplininde veriye dayalı metodolojileri büyük ölçüde geliştirmektedir. Bu tez, sayısal analizlerde malzeme modelleme ile ilgili çeşitli zorlukları ele almak için veriye dayalı makine öğrenimi teknikler geliştirmeye odaklanmaktadır. Bu bağlamda, makine öğrenimi, sonlu eleman (SE) analizi ve optimizasyon algoritmaları entegre edilerek SmartFIT adı verilen sayısal-deneysel hibrit bir parametre belirleme aracı geliştirilmiştir. Bu ters analiz tabanlı metodoloji, tek bir deney eğrisi kullanarak malzeme modeli doğru ve verimli bir şekilde kalibre etmektedir. SmartFIT programı, kullanıcı eleman alt rutininde (UEL) uygulanan bir kohezif bölge modelinin sekiz parametresini, kullanıcı malzeme alt rutininde (UMAT) uygulanan bir sertleşme modelinin dört parametresini ve bir Johnson-Cook plastisite modelinin beş parametresini başarıyla belirlemiştir. Bu yöntem, simülasyon ve deneysel sonuçlar arasında mükemmel bir uyum sağlarken, geleneksel optimizasyon algoritmalarından 2-3 kat daha hızlıdır. Bu tez aynı zamanda geleneksel malzeme modellere alternatif olarak veriye dayalı elastoplastik malzeme modeli (DD-ECM) geliştirmek için birleşik bir yaklaşım sunmaktadır. Önerilen DD ECM, karmaşık yapı ve malzeme davranışı sergileyen bir kesme testi numunesini analiz etmek için SE çözücüsüne uygulanmıştır. SE analizleri, birleşik veriye dayalı yaklaşımın yüksek doğruluğunu ve verimliliğini göstermiş ve geleneksel malzeme modellerinden elde edilen sonuçlarla yakından uyumlu sonuçlar vermiştir. Ayrıca bu tez kapsamında, geliştirilen makine öğrenimi tabanlı tekniklerin çeşitli mühendislik problemlerine uygulanmasını incelemektedir. Bu uygulamalar arasında sürekli elyaf takviyeli kompozitin doğrusal elastik makroskopik davranışı, kısa elyaf takviyeli polimerlerin doğrusal olmayan elastoplastik davranışı, erozyona dayanıklı otoyol kenar taşlarının değerlendirilmesi ve iki yönlü fonksiyonel olarak derecelendirilmiş bir nanokiriş'in doğrusal olmayan stabilite davranışı yer almaktadır.

The abundance of big data enabled by modern technological advancements is greatly enhancing data-driven methodologies across numerous engineering disciplines. This thesis centers on developing machine learning-based data-driven techniques to address various challenges associated with constitutive modeling in traditional numerical analyses. In this context, a numerical-experimental hybrid parameter identification tool called SmartFIT is developed by integrating machine learning, finite element (FE) analysis and optimization algorithms. This inverse analysis-based methodology utilizes a single experiment curve to calibrate the constitutive model accurately and efficiently. The SmartFIT program successfully identified eight parameters of a cohesive zone model implemented in user element subroutine (UEL), four parameters of a hardening model implemented in user material subroutine (UMAT), and five parameters of a Johnson Cook plasticity model. This method provides an excellent fit between simulation and experimental results and is 2-3 times faster than traditional optimization algorithms. This thesis also presents a unified approach for developing a data-driven elastoplastic constitutive model (DD-ECM) as an alternative to classical models. The proposed DD ECM is implemented into FE solver to analyze a shear test specimen exhibiting complex structure and behavior. FE analyses using DD-ECM demonstrated the high accuracy and efficiency of the unified data-driven approach, yielding results closely aligned with those from conventional constitutive models. Moreover, this thesis investigates the application of developed machine learning based techniques for various engineering problems. These applications include linear elastic behavior of continuous fiber-reinforced composite, elastoplastic behavior of short fiber reinforced polymers, evaluation of erosion-resistant highway shoulder rocks and nonlinear stability behavior of a two-way functionally graded nanobeam.