一种基于聚类降阶热力学神经网络的多尺度路径相关本构建模方法

本发明提出了一种基于聚类降阶热力学神经网络的多尺度路径相关本构建模方法，属于复合材料多尺度计算力学与人工智能材料建模技术领域，解决了传统多尺度模拟计算成本高、机器学习本构模型难以表征加载历史且缺乏热力学一致性的问题。本发明包括代表性体积单元数值均质化生成多尺度训练数据，提取微观响应特征进行聚类降阶获得降阶微观状态，以宏观加载历史为输入用时序神经网络预测聚类降阶内变量，再以宏观应变和内变量为输入构建亥姆霍兹自由能势函数神经网络，通过自动微分获得应力。本发明可嵌入宏观结构分析替代在线均质化计算，用于复合材料多尺度性能预测与结构分析。