马克斯·罗森克兰兹;Karl A.Kalina。;Jörg Brummund;马库斯·卡斯特纳 对不同神经网络结构建模非弹性的比较研究。 （英语） Zbl 07772333号 国际期刊数字。方法工程。 124，编号21，4802-4840（2023）. 总结：本构模型的数学公式描述材料的路径依赖性，即非弹性行为是一项具有挑战性的任务，几十年来一直是力学研究的焦点。通过数据驱动技术，特别是最近计算力学中神经网络（NN）的复兴，已经加大了促进或自动化这项任务的努力。然而，在基于NN的方法中，仅仅不考虑过去几十年研究中得出的本构建模的基本结果似乎是有问题的。在此，我们建议对不同的前馈和递归神经网络结构进行比较研究，以模拟一维小应变非弹性。在本研究中，我们将模型分为三个基本类：黑盒NN、弱形式的NN和强形式的NNs。因此，第一类网络可以从数据中学习本构关系，而基本物理被完全忽略，而后两种模型的构造是为了能够解释基础物理，在本工作中特别注意热力学第二定律。传统的线性和非线性粘弹性以及弹塑性模型用于训练数据生成，并在以后作为参考。使用包含应力、应变和（对于某些模型）内部变量信息的随机行走时间序列进行训练后，将基于NN的模型与参考解进行比较，其中考虑了插值和外推。除了应力预测的质量外，还分析了相关的自由能和耗散率来评估模型。总的来说，本研究能够清楚地记录不同神经网络体系结构在建模非弹性方面的优缺点，并指导如何训练和应用这些模型。©2023作者。国际工程数值方法杂志由John Wiley&Sons Ltd.出版。 引用于1文件 理学硕士： 74立方厘米 小应变率相关塑性理论（包括粘塑性理论） 74D10型 记忆材料的非线性本构方程 74A20型 固体力学中的本构函数理论 68T07型 人工神经网络与深度学习 关键词：本构建模;小应变塑性;循环神经网络;热力学一致性;粘弹性 PDF格式BibTeX公司 XML格式引用 \textit{M.Rosenkranz}等人，国际期刊数字。方法工程124，编号21，4802--4840（2023；Zbl 07772333） 全文： 内政部 arXiv公司 OA许可证 参考文献： [1] BockFE、AydinRC、CyronCJ、HuberN、KalidindiSR、KlusemannB。综述了机器学习和数据挖掘方法在连续介质材料力学中的应用。前面板。2019;6:110. doi:10.3389/fmats.2019.00110 [2] MontánsFJ、ChinestaF、Gómez-BombarelliR、KutzJN。科学与工程中的数据驱动建模和学习。2019;347(11):845‐855. doi:10.1016/j.crme.2019.11.009 [3] GhaboussiJ、GarrettJH、WuX。使用神经网络对材料行为进行基于知识的建模。工程机械杂志。1991;117(1):132‐153. doi:10.1061/（ASCE）0733‐9399（1991）117:1（132） [4] RaissiM、PerdikarisP、KarniadakisG。基于物理的神经网络：用于解决涉及非线性偏微分方程的正问题和逆问题的深度学习框架。计算物理杂志。2019;378:686‐707. doi:10.1016/j.jcp.2018.10.045·Zbl 1415.68175号 [5] HenkesA、WesselsH、MahnkenR。物理学为连续微观力学提供了神经网络。计算方法应用机械工程2022；393:114790. doi:10.1016/j.cma.2022.114790·Zbl 1507.74478号 [6] As’adF、AveryP、Farhat C。数据驱动本构建模中基于力学的人工神经网络方法。国际数理方法工程杂志2022；123(12):2738‐2759. doi:10.1002/nme.6957·Zbl 1528.74114号 [7] FarhatC，As’adF。数据驱动非线性粘弹性力学信息神经网络框架。AIAA SCITECH 2023论坛；2023.数字对象标识代码：10.2514/6.2023‐0949 [8] KleinDK、OrtigosaR、Martínez‐FrutosJ、WeegerO。物理增强神经网络有限电弹性。计算方法应用机械工程2022；400:115501. doi:10.1016/j.cma.2022.115501·Zbl 1507.74144号 [9] LindenL、KleinDK、KalinaKA、BrummundJ、WeegerO、KästnerM。神经网络满足超弹性：实施物理的指南。arXiv预打印arXiv:2302.024032023。 [10] KalinaKA，LindenL，BrummundJ，KästnerM.FE^ANN：基于物理约束神经网络和自动数据挖掘的高效数据驱动多尺度方法。计算力学。2023;71:827‐851. doi:10.1007/s00466‐022‐02260‐0·兹比尔1517.74090 [11] MasiF、StefanouI、VannucciP、Maffi‐BerthierV。用于本构建模的基于热力学的人工神经网络。机械物理固体杂志。2021;147:104277. doi:10.1016/j.jmps.2020.104277 [12] ShenY，ChandrashekharaK，BreigWF，OliverLR。基于神经网络的橡胶材料本构模型。橡胶化学技术。2004;77(2):257‐277. doi:10.5254/1.3547822 [13] ChandrashekharaK LiangG。基于神经网络的弹性泡沫本构模型。工程结构。2008;30(7):2002‐2011. doi:10.1016/j.engstruct.2007.12.021 [14] LinkaK、HillgärtnerM、AbdolaziziKP、AydinRC、ItskovM、CyronCJ。本构人工神经网络：通过深度学习实现预测数据驱动本构建模的快速通用方法。计算物理杂志。2021;429:110010. doi:10.1016/j.jcp.2020.110010·Zbl 07500745号 [15] LindenL，KalinaKA，BrummundJ，MetschP，KästnerM。基于人工神经网络的各向同性超弹性热力学一致本构建模。帕姆。2021;21（1）：e202100144。doi:10.1002/pamm.202100144 [16] KleinDK、FernándezM、MartinRJ、NeffP、WeegerO。基于神经网络的多凸各向异性超弹性。机械物理固体杂志。2021;159:104703. doi:10.1016/j.jmps.2021.104703 [17] FuhgJN、BouklasN、JonesRE。通过张量基神经网络从数据中学习超弹性各向异性。机械物理固体杂志。2022;168:105022. doi:10.1016/j.jmps.2022.105022 [18] TacV、Sahli CostabalF、TepoleAB。数据驱动的组织力学与多凸神经常微分方程。计算方法应用机械工程2022；398:115248. doi:10.1016/j.cma.2022.115248·Zbl 1507.74236号 [19] VlassisNN、MaR、SunW。计算力学几何深度学习第一部分：各向异性超弹性。计算方法应用机械工程2020；371:113299. doi:10.1016/j.cma.2020.113299·兹比尔1506.74504 [20] VlassisNN、ZhaoP、MaR、SewellT、SunW。单斜晶体有限应变超弹性的分子动力学推断传递学习模型：Sobolev训练和针对物理约束的验证。国际数字方法工程杂志2022；123(17):3922‐3949. doi:10.1002/nme.6992·兹比尔1534.74009 [21] KalinaKA，LindenL，BrummundJ，MetschP，KästnerM。基于人工神经网络的各向同性超弹性自动本构建模。计算力学。2022;69:213‐232. doi:10.1007/s00466‐021‐02090‐6·Zbl 07492666号 [22] 雅加瓦省FurukawaT。使用神经网络的粘塑性隐式本构建模。国际数值方法工程杂志1998；43(2):195‐219. doi:10.1002/（SICI）1097‐0207（19980930）43:2<195:：AID‐NME418>3.0.CO；2‐6 ·兹伯利0926.74020 [23] 西达塔·加布西J。用于本构建模的新型嵌套自适应神经网络（NANN）。计算岩土工程。1998;22(1):29‐52. doi:10.1016/S0266‐352X（97）00034‐7 [24] HashashYMA、JungS、GhaboussiJ。有限元分析中基于神经网络的材料模型的数值实现。国际数值方法工程杂志2004；59(7):989‐1005. doi:10.1002/nme.905·Zbl 1065.74609号 [25] Al‐HaikM、HussainiM、GarmestaniH。使用人工神经网络预测聚合物复合材料的非线性粘弹性行为。国际塑料杂志。2006;22(7):1367‐1392. doi:10.1016/j.ijplas.2005.09.002·Zbl 1161.74326号 [26] GhaboussiJ JungS。速率相关材料的神经网络本构模型。计算结构。2006;84(15‐16):955‐963. doi:10.1016/j.compstruc.2006.02.015 [27] HochreiterS，SchmidhuberJ。长短期记忆。神经计算。1997;9(8):1735‐1780. doi:10.1162/neco.1997.9.8.1735 [28] 加瓦米安F，西蒙A。使用递归神经网络加速历史相关材料的多尺度有限元模拟。计算方法应用机械工程2019；357:112594. doi:10.1016/j.cma.2019.112594文件·Zbl 1442.65142号 [29] WuL、NguyenVD、KilingarNG、NoelsL。受随机循环和非比例加载路径影响的弹塑性非均质材料的递归神经网络加速多尺度模型。计算方法应用机械工程2020；369:113234. doi:10.1016/j.cma.2020.113234·Zbl 1506.74453号 [30] LiB，庄X。前馈神经网络和递归神经网络的多尺度计算。《土木工程前沿结构》2020；14(6):1285‐1298. doi:10.1007/s11709‐020‐0691‐7 [31] FuchsA、HeiderY、WangK、SunW、KaliskeM。DNN2：基于神经网络的弹塑性本构描述自我设计的超参数强化学习游戏。计算结构。2021;249:106505. doi:10.1016/j.compstruc.2021.106505 [32] HenkesA、EshraghianJK、WesselsH。非线性回归的尖峰神经网络。arXiv预打印arXiv:2210.035152022。 [33] 莫赫德·博纳提克。关于弹塑性实体递归神经网络模型中自一致性的重要性。机械物理固体杂志。2022;158:104697. doi:10.1016/j.jmps.2021.104697 [34] BonattiC、BerishaB、MohrD。从CP-FFT到CP-RNN：晶体塑性的递归神经网络替代模型。国际塑料杂志。2022;158:103430. doi:10.1016/j.ijplas.2022.103430 [35] HeiderY、WangK、SunW。SO（3）‐各向异性弹塑性材料基于知情图的深度神经网络的不变性。计算方法应用机械工程2020；363:112875. doi:10.1016/j.cma..2020.112875文件·Zbl 1436.74012号 [36] RochaIBCM、KerfridenP、van derMeerFP。多尺度固体力学演化物理材料模型的机器学习。机械-材料。2023;184:104707. doi:10.1016/j.mechmat.2023.104707 [37] LiuZ、WuC、KoishiM。用于多尺度拓扑学习和异质材料加速非线性建模的深层材料网络。计算方法应用机械工程2019；345:1138‐1168. doi:10.1016/j.cma.2018.09.020·Zbl 1440.74340号 [38] 刘Z，WuC。探索数据驱动多尺度力学中深层材料网络的三维结构。机械物理固体杂志。2019;127:20‐46. doi:10.1016/j.jmps.2019.03.004·Zbl 1477.74006号 [39] GajekS、SchneiderM、BöhlkeT。关于深部材料网络的微观力学。机械物理固体杂志。2020;142:103984. doi:10.1016/j.jmps.2020.103984·Zbl 1516.74006号 [40] GajekS、SchneiderM、BöhlkeT。热机械复合材料多尺度分析的FE-DMN方法。计算力学。2022;69:1087‐1113. doi:10.1007/s00466‐021‐02131‐0·Zbl 1491.74094号 [41] SettgastC、HütterG、KunaM、AbendrothM。通过神经网络模拟泡沫均匀化不可逆弹塑性变形和损伤的混合方法。国际塑料杂志。2020;126:102624. doi:10.1016/j.ijplas.2019.11.003 [42] MalikA、AbendrothM、HütterG、KieferB。采用神经网络模拟三维泡沫结构弹塑性变形行为的混合方法。高级工程师。2021;24:2100641. doi:10.1002/adem.202100641 [43] VlassisNN，SunW。针对具有水平集硬化的可解释弹塑性模型的热力学信息神经网络的Sobolev训练。计算机方法应用机械工程2021；377:113695. doi:10.1016/j.cma..2021.113695·Zbl 1506.74449号 [44] VlassisNN，SunW。基于组件的机器学习范式，用于发现速率相关和压力敏感的水平集塑性模型。应用力学杂志。2021;89:1‐13. 数字对象标识代码：10.1115/1.4052684 [45] FuhgJN、HamelCM、JohnsonK、JonesR、BouklasN。基于模块化机器学习的弹塑性：有限数据背景下的泛化。计算方法应用机械工程2023；407:115930. doi:10.1016/j.cma.2023.115930·Zbl 07665587号 [46] 埃克雷·梅耶卡。热力学一致性神经网络塑性建模和进化规律发现。恩格西夫，2023年。doi:10.31224/2961 [47] KaliskeM ZopfC公司。用基于神经网络的方法对未固化弹性体进行数值表征。计算结构。2017;182:504‐525. doi:10.1016/j.compstruc.2016.12.012 [48] 斯特凡诺·马西夫。利用基于热力学的人工神经网络（TANN）对非弹性材料进行多尺度建模。计算方法应用机械工程2022；398:115190. doi:10.1016/j.cma.2022.115190号·Zbl 1507.74258号 [49] HeX、ChenJS。用于路径相关材料数据驱动建模的热力学一致机器学习内部状态变量方法。计算方法应用机械工程2022；402:115348. doi:10.1016/j.cma.2022.115348·Zbl 1507.74007号 [50] WeberP、WagnerW、FreitagS。使用前馈神经网络对速率无关塑性建模进行物理增强训练。计算力学。2023.文件编号：10.1007/s00466‐023‐02316‐9 [51] HuangS、HeZ、ChemB、ReinaC。变分Onsager神经网络（VONNs）：非平衡偏微分方程的基于热力学的变分学习策略。机械物理固体杂志。2022;163:104856. doi:10.1016/j.jmps.2022.104856文件 [52] MieheC公司。基于增量变分公式的非弹性微结构和复合材料的应变驱动均匀化。国际数值方法工程杂志，2002年；55(11):1285‐1322. doi:10.1002/nme.515·Zbl 1027.74056号 [53] AmosB、XuL、KolterJZ。输入凸神经网络。收录于：PrecupD（编辑），TehYW（编辑）编辑的第34届国际机器学习会议记录。《机器学习研究论文集》第70卷。PMLR；2017:146‐155. [54] TaçV、RauschMK、Sahli CostabalF、TepoleAB。使用神经常微分方程的数据驱动各向异性有限粘弹性。计算方法应用机械工程2023；411:116046. doi:10.1016/j.cma.2023.116046·Zbl 07692949号 [55] AbdolaziziKP、LinkaK、CyronCJ。粘弹性本构人工神经网络（vCANNs）-数据驱动各向异性非线性有限粘弹性的框架。arXiv预打印arXiv:2303.121642023。 [56] HauptP公司。连续介质力学与材料理论。施普林格；2000. ·Zbl 0938.74001号 [57] MieheC、SchotteJ、LambrechtM。基于增量最小化原则的有限应变下非弹性固体材料均匀化。应用于多晶体的织构分析。机械物理固体杂志。2002;50(10):2123‐2167. doi:10.1016/S0022‐5096（02）00016‐9·Zbl 1151.74403号 [58] MieheC、KieferB、RosatoD。宏观连续水平耗散磁致伸缩的增量变分公式。国际J固体结构。2011;48(13):1846‐1866. doi:10.1016/j.ijsolstr.2011.02.011 [59] SimoJC、HughesTJR。计算非弹性。跨学科应用数学力学与材料。第7卷。第二版Springer；2000 [60] KruseR、BorgeltC、BrauneC、MostaghimS、SteinbrecherM。计算智能。计算机科学课文。施普林格；2016. ·Zbl 1358.68003号 [61] KollmannsbergerS、D’AngellaD、Jokeit M、Herrmann L。计算力学深度学习：入门课程。计算智能研究。第977卷。施普林格国际出版公司；2021. ·Zbl 1470.68005号 [62] NaglerM、PechsteinA、HumerA。弹塑性混合有限元公式。国际数理方法工程杂志2022；123(21):5346‐5368. doi:10.1002/nme.7070 [63] FernándezM、Jamshidian M、BöhlkeT、KerstingK、WeegerO。有限变形各向异性超弹性本构模型结合了材料理论和数据驱动方法，并应用于立方晶格超材料。计算力学。2020;67:653‐677. doi:10.1007/s00466‐020‐01954‐7·Zbl 07360523号 [64] LadevèzeP、NéronD、GerbaudPW。历史相关材料的数据驱动计算。C R MéC。2019;347(11):831‐844. doi:10.1016/j.crme.2019.11.008 [65] GerbaudPW、NéronD、LadevèzeP。数据驱动的涉及隐藏状态变量的弹（粘）塑性。计算方法应用机械工程2022；402:115394. doi:10.1016/j.cma.2022.115394·Zbl 1507.74005号 [66] LiuB，KovachkiN，LiZ等。基于学习的多尺度方法及其在非弹性碰撞问题中的应用。机械物理固体杂志。2022;158:104668. doi:10.1016/j.jmps.2021.104668 此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。