×
他，芮;崔俊之;杨子豪;张洁琼;关晓飞

从稀疏实验数据中学习多尺度超弹性本构关系的不变表示。 （英语） Zbl 1529.74079号

Commun公司。计算。物理学。 34，第2号，392-417（2023）.
摘要：由于异质超弹性材料的微观结构复杂多变，其本构建模仍然是一个挑战。我们提出了一种具有分层学习策略的多尺度数据驱动方法，用于发现非均匀超弹性材料的通用物理约束各向异性本构模型。基于稀疏的多尺度实验数据，采用粒子群优化算法建立了含有复合界面的超弹性组分相的本构人工神经网络。引入微观有限元耦合本构人工神经网络求解器，获得不同微观结构非均质材料的均匀应力-应变关系。通过有限元结果训练神经网络，生成密集的应力-应变关系数据集。此外，提出了应变能函数（SEF）的一般不变表示，并用人工神经网络（SANN）隐式表示参数集，描述了具有不同微观结构的非均质材料的超弹性特性。在SEF上施加凸性约束，以确保多尺度本构模型在物理上相关，并将（ell_1）正则化与阈值化相结合引入SANN的损失函数中，以提高该模型的可解释性。最后，利用不同微观结构的帘线橡胶复合材料的实验数据，对多尺度模型进行了分层训练、交叉验证和测试。该多尺度模型为非均质超弹性材料的本构建模提供了一种方便通用的方法。

MSC公司：

74S99型 固体力学中的数值方法和其他方法
74S05号 有限元方法在固体力学问题中的应用
74B20型 非线性弹性
74A20型 固体力学中的本构函数理论
74E05型 固体力学中的不均匀性
68T05型 人工智能中的学习和自适应系统
68T07型 人工神经网络与深度学习

关键词：

非均匀超弹性材料;物理约束数据驱动方法;人工神经网络;微观有限元求解器

软件：

加拿大;NN-有效;亚当
PDF格式BibTeX公司 XML格式引用
\textit{R.He}等人，Commun。计算。物理学。34，第2号，392--417（2023；Zbl 1529.74079）
全文： DOI程序

参考文献：

[1] G.Heinrich，M.Klüppel，T.A.Vilgis，《弹性体增强》，《固体与材料科学的当前观点》6（3）（2002）195-203。
[2] R.A.Metzler，R.Rist，E.Alberts等人，牡蛎粘合剂的组成和结构揭示了生物复合材料中的异质材料特性，Advanced Functional materials 26（37）（2016）6814-6821。
[3] F.Maggi，A.Bandera，L.Galfetti等人，《高效固体火箭推进进入太空》，《宇航学报》66（11-12）（2010）1563-1573。
[4] P.Behroozinia，S.Taheri，R.Mirzaeifar，使用帘线橡胶复合材料的多尺度建模对智能轮胎的研究，基于力学的结构和机器设计46（2）（2018）168-183。
[5] X.Xu，G.Wang，H.Yan，等，织物橡胶复合材料的本构关系及其应用，复合材料结构304（2023）116302。
[6] M.Mansouri，P.Fuchs，J.Criscione等人，《机械相互作用对纤维增强弹性体本构建模的贡献》，《欧洲机械学报-A/Solids》85（2021）104081·Zbl 1477.74004号
[7] Z.Zhao，X.Mu，F.Du，用于摩擦轨道的橡胶帘线复合材料的本构模型研究，《今日通信材料》23（2020）100937。
[8] M.Mansouri，J.Beter，P.Fuchs等人，《量化超弹性材料中的基体-纤维机械相互作用》，《国际机械科学杂志》195（2021）106268。
[9] Y.Dong，X.Yao，H.Yan，等，不同温度下复合纤维橡胶复合材料的宏观和细观力学性能，复合结构230（2019）111510。
[10] F.L.Jiménez，S.Pellegrino，《软超弹性基体纤维复合材料的本构建模》，《国际固体与结构杂志》49（3-4）（2012）635-647。
[11] M.Brändel，D.Brands，S.Maike，O.Rheinbach，J.Schröder，A.Schwarz，D.Stoyan，利用平面布尔模型构建微观结构的有效超弹性材料参数，计算力学69（6）（2022）1295-1321·Zbl 1505.74186号
[12] A.Morch，L.Astruc，J.F.Witz等，各向异性超弹性非均质针织物增强复合材料建模，固体力学与物理杂志127（2019）47-61。
[13] 杨海峰，姚晓凤，柯玉川，等，织物增强橡胶复合材料的本构行为和力学特性，复合材料结构152（2016）117-123。
[14] F.Masi，I.Stefanou，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，应用力学和工程中的计算机方法398（2022）115190·Zbl 1507.74258号
[15] K.Linka，E.Kuhl，面向自动模型发现的本构人工神经网络新家族，《应用力学与工程中的计算机方法》403（2023）115731·兹比尔07644192
[16] A.Frankel，C.M.Hamel，D.Bolintinanu等人，《弹性泡沫的机器学习本构模型》，《应用力学与工程中的计算机方法》391（2022）114492·Zbl 1507.74253号
[17] L.Li，C.Chen，超弹性材料本构建模的基于平衡的卷积神经网络，固体力学与物理杂志164（2022）104931。
[18] M.Zlatic，M.Canadija，《不可压缩橡胶热弹性：神经网络方法》，计算力学（2023）1-22·Zbl 1517.74028号
[19] S.Im，H.Kim，W.Kim等，晶体结构的神经网络本构模型，计算力学67（1）（2021）185-206·Zbl 07360500号
[20] K.Xu，D.Z.Huang，E.Darve，使用对称正定神经网络学习本构关系，计算物理杂志428（2021）110072·Zbl 07511428号
[21] 李磊，邵庆，杨彦，等，复合材料数据驱动计算力学数据库构建方法，国际机械科学杂志（2023）108232。
[22] J.N.Fuhg，M.Marino，N.Bouklas，《数据驱动本构模型的局部近似高斯过程回归：与神经网络的发展和比较》，《应用力学与工程中的计算机方法》388（2022）114217·Zbl 1507.65182号
[23] K.Linka，M.Hillgärtner，K.P.Abdolazizi等人，《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》429（2021）110010·Zbl 07500745号
[24] Y.Leng，V.Tac，S.Calve等，利用离散纤维网络数据训练的神经网络预测生物聚合物凝胶的机械性能，应用力学与工程中的计算机方法387（2021）114160·Zbl 1507.74231号
[25] V.Tac，F.S.Costabal，A.B.Tepole，数据驱动组织力学与多凸神经常微分方程，应用力学与工程中的计算机方法398（2022）115248·Zbl 1507.74236号
[26] M.Liu，L.Liang，W.Sun，《基于神经网络的软生物组织通用物理本构模型》，《应用力学与工程中的计算机方法》372（2020）113402·Zbl 1506.74207号
[27] D.K.Klein、M.Fernández、R.J.Martin等人，《具有神经网络的多凸各向异性超弹性》，《固体力学与物理杂志》159（2022）104703。
[28] N.N.Vlassis，R.Ma，W.Sun，计算力学的几何深度学习，第一部分：各向异性超弹性，应用力学和工程中的计算机方法371（2020）113299·兹比尔1506.74504
[29] M.Liu，L.Liang，W.Sun，使用机器学习方法估计主动脉壁体内本构参数，应用力学和工程中的计算机方法347（2019）201-217·Zbl 1440.74229号
[30] M.S.Hashemi、M.Baniassadi、M.Baghani等人，《基于机器学习的异质软材料均质化新计算框架：在肝组织中的应用，生物力学和力学生物学建模》19（3）（2020）1131-1142。
[31] G.A.Holzapfel，T.C.Gasser，R.W.Ogden，《动脉壁力学的新本构框架和材料模型的比较研究》，《弹性与固体物理科学杂志》61（1）（2000）1-48·Zbl 1023.74033号
[32] M.Flaschel，S.Kumar，L.De Lorenzis，可解释超弹性本构定律的非监督发现，应用力学与工程中的计算机方法381（2021）113852·Zbl 1506.74051号
[33] P.Thakolkaran、A.Joshi、Y.Zheng等，《NN-EUCLID：无应力数据的深度学习超弹性》，《固体力学与物理杂志》169（2022）105076。
[34] J.N.Fuhg，N.Bouklas，《通过概率机器学习和空间填充采样的物理信息数据驱动的各向同性和各向异性组成模型》，《应用力学与工程中的计算机方法》394（2022）114915·Zbl 1507.74551号
[35] J.N.Fuhg，C.Böhm，N.Bouklas等人，《模型数据驱动的本构响应：多尺度计算框架的应用》，《国际工程科学杂志》167（2021）103522·Zbl 07411518号
[36] K.A.Kalina，L.Linden，J.Brummund，et al.，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，《复合力学》（2023）1-25。
[37] T.Guo，O.Rokoš，K.Veroy，通过非侵入缩减基方法从微观结构模拟中学习本构模型，《应用力学与工程中的计算机方法》384（2021）113924·Zbl 1506.74234号
[38] F.Fritzen，O.Kunc，《使用重序模型的非线性固体的两阶段数据驱动均质化》，《欧洲机械杂志》-a/solids 69（2018）201-220·Zbl 1406.74560号
[39] B.Yegnanarayana，人工神经网络，PHI Learning Pvt.Ltd.，2009年。
[40] 孔文华、李海平、余春雨等，多站点天气预报后处理的深空时预报模型，计算物理通信31（2022）131-153·Zbl 1482.86030号
[41] H.Ma，Y.Zhang，N.Thuerey，et al.，使用深度卷积神经网络的稳态Navier-Stokes方程的物理驱动学习，计算物理通信32（2022）715-736·Zbl 1500.76071号
[42] L.Guo，H.Wu，T.Zhou，规范化场流：使用物理信息流模型求解正向和反向随机微分方程，计算物理杂志461（2022）111202·Zbl 07525177号
[43] S.Hartmann，P.Neff，近不可压缩性广义多项式型超弹性应变能函数的多凸性，国际固体与结构杂志40（11）（2003）2767-2791·Zbl 1051.74539号
[44] J.Kennedy，R.Eberhart，《粒子群优化：ICNN’95国际神经网络会议论文集》，第4卷，IEEE，1995年，第1942-1948页。
[45] C.O.Horgan，《卓越的超弹性材料Gent本构模型》，《国际非线性力学杂志》68（2015）9-16。
[46] Y.Ni，M.Y.Chiang，具有复杂微观结构的非均质材料的弹性性能预测，《固体力学与物理杂志》55（3）（2007）517-532·Zbl 1170.74046号
[47] A.F.Bower，《固体应用力学》，CRC出版社，2009年。
[48] T.J.Ypma，牛顿-拉夫森方法的历史发展，SIAM综述37（4）（1995）531-551·Zbl 0842.01005号
[49] D.P.Kingma，J.Ba，Adam：随机优化方法，arXiv预印本arXiv:1412.6980（2014）。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，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。