朱利安·海登里奇。;科林·博纳蒂;德克·莫尔 基于递归神经网络的塑性模型的传递学习。 (英语) Zbl 07801038号 国际期刊编号。方法工程。 125,第1号,文章ID e7357,31 p.(2024). 摘要:特定于力学的递归神经网络(RNN)模型因其能够描述任意加载路径下弹塑性实体的复杂三维应力应变响应而闻名。要将RNN模型应用于真实材料,关键是确定一种策略,允许从机器人辅助实验中获得的小数据集进行训练。结果表明,对于平滑加载路径,与相同数量的序列相比,使用应变空间中包含随机游动(RW)的数据集进行常规训练可以获得更高的泛化能力。此外,我们还发现,传递学习,即使用来自已训练材料的参数初始化权重和偏差,可以提高收敛速度并减少训练所需的应力应变序列数。当利用通过集成转移学习获得的多材料经验时,可以获得更大的改进。例如,集合转移后使用400个平滑应力应变序列进行训练,与常规训练后使用10000个RW序列进行训练获得的模型精度和泛化能力相同。©2023作者。国际工程数值方法杂志由John Wiley&Sons Ltd.出版。 MSC公司: 74C99型 塑料材料、应力等级材料和内变量材料 74S99型 固体力学中的数值方法和其他方法 68T05年 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:人工智能;随机游走;应变空间;收敛速度;应力应变序列号;泛化能力 软件:MS-COCO公司 PDF格式BibTeX公司 XML格式引用 \textit{J.N.Heidenreich}等人,国际期刊数字。方法工程125,No.1,文章ID e7357,31 p.(2024;Zbl 07801038) 全文: 内政部 OA许可证 参考文献: [1] 巴拉苏布拉曼尼亚,阿南德。低同源温度下多晶fcc材料的弹粘塑性本构方程。机械物理固体杂志。2002;50(1):101‐126. doi:10.1016/S0022‐5096(01)00022‐9·Zbl 1140.74420号 [2] BarlatF、GracioJJ、LeeMG、RauchEF、VinceG。经典塑性力学中运动硬化的替代方法。国际塑料杂志。2011;27(9):1309‐1327. doi:10.1016/j.ijplas.2011.03.003·兹比尔1400.74010 [3] SimoJC、HughesTJR。计算非弹性。Springer‐Verlag;1998. ·Zbl 0934.74003号 [4] duBosML、BalabdaouiF、HeidenreichJN。用神经网络建模应力-应变曲线:返回映射算法的可扩展替代方案。计算机材料科学。2020;178:109629. doi:10.1016/j.commatsci.2020.109629 [5] MohrD Zhang A。使用神经网络表示具有各向同性硬化的von mises塑性。国际塑料杂志。2020;132:102732. doi:10.1016/j.ijplas.2020.102732 [6] JangDP、FazilyP、YoonJW。基于机器学习的J2塑性本构模型。国际塑料杂志。2021;138:102919. doi:10.1016/j.ijplas.202.012919 [7] 陈。递归神经网络(RNN)学习粘弹性的本构关系。计算机机械。2021;67(3):1009‐1019. doi:10.1007/s00466‐021‐01981‐y·Zbl 1494.74011号 [8] 里莫利·沙阿。使用元学习实现动态均匀化的数据驱动方法。计算方法应用机械工程2022;401:115672. doi:10.1016/j.cma.2022.115672·Zbl 1507.74362号 [9] ZhangK,ChenN,LiuJ,BeerM。基于GRU的集成学习方法,用于时变不确定结构响应分析。计算方法应用机械工程2022;391:114516. doi:10.1016/j.cma.2021.114516·Zbl 1507.74283号 [10] FrankelAL、JonesRE、AllemanC、TempletonJA。利用深度学习预测低聚晶体的机械响应。计算机材料科学。2019;169:109099. doi:10.1016/j.commatsci.2019.10909 [11] MozaffarM、BostanabadR、ChenW、EhmannK、CaoJ、BessaMA。深度学习预测路径依赖性可塑性。2019年美国国家科学院院刊;116(52):26414‐26420。doi:10.1073/pnas.1911815116 [12] GorjiMB、MozaffarM、HeidenreichJN、CaoJ、MohrD。关于递归神经网络用于路径相关塑性建模的潜力。机械物理固体杂志。2020;143:103972. doi:10.1016/j.jmps.2020.103972 [13] AbueiddaDW、KoricS、SobhNA、SehitogluH。深入学习塑性和热粘塑性。国际塑料杂志。2020;2021:102852. doi:10.1016/j.ijplas.2020.102852 [14] QuT、DiS、FengYT、WangM、ZhaoT。通过基于微观力学的深度学习,实现颗粒材料的数据驱动本构建模。国际塑料杂志。2021;144:103046。doi:10.1016/j.ijplas.2021.103046 [15] Tancogne‐DejeanT、GorjiMB、ZhuJ、MohrD。锂离子电池电池大变形的递归神经网络建模。国际塑料杂志。2021;146:103072. doi:10.1016/j.ijplas.2021.103072 [16] 西蒙娜·加瓦米安夫。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·Zbl 1442.65142号 [17] 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 [18] LogarzoHJ、CapuanoG、RimoliJJ。智能本构定律:通过机器学习实现非弹性均匀化。计算方法应用机械工程2021;373:113482. doi:10.1016/j.cma.2020.113482·兹比尔1506.74336 [19] NoelsL WuL。计算力学中降维分解的递归神经网络;应用于多尺度定位步骤。计算方法应用机械工程2022;390:114476. doi:10.1016/j.cma.2021.114476·Zbl 1507.68278号 [20] HuC、MartinS、DingrevilleR。通过递归神经网络学习潜在空间中微观结构的演化,加速相场预测。计算方法应用机械工程2022;397:115128. doi:10.1016/j.cma.2022.115128·Zbl 1507.74257号 [21] HaghighatE、RaissiM、MoureA、GomezH、JuanesR。用于固体力学反演和代理建模的基于物理的深度学习框架。计算方法应用机械工程2021;379:113741. doi:10.1016/j.cma.2021.113741·Zbl 1506.74476号 [22] TandaleSB、BamerF、MarkertB、StoffelM。基于物理的自学习递归神经网络增强时间积分方案,用于计算粘塑性结构有限元响应。计算方法应用机械工程2022;401:115668. doi:10.1016/j.cma.2022.115668·Zbl 1507.74512号 [23] 张瑞、刘毅、孙赫。基于物理的多LSTM网络,用于非线性结构的元建模。计算方法应用机械工程2020;369:113226. doi:10.1016/j.cma.2020.113226·兹比尔1506.74004 [24] LiuZ、WuCT、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 [25] 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 [26] 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 [27] 莫赫德·博纳提克。一个是基于最小状态空间神经网络的通用材料模型。科学进展2021;7(26):eabf3658。doi:10.1126/sciadv.abf3658 [28] 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 [29] Al‐HaikMS、HussainiMY、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 [30] JordanB、GorjiMB、MohrD。描述聚丙烯的温度和速率相关应力应变响应的神经网络模型。国际塑料杂志。2020;135:102811. doi:10.1016/j.jplas.2020.102811 [31] LiX、RothCC、MohrD。基于机器学习的温度和速率相关塑性模型:在DP钢断裂试验分析中的应用。国际塑料杂志。2018;2019(118):320‐344. doi:10.1016/j.ijplas.2019.02.012 [32] PandyaKS、RothCC、MohrD。7075铝合金的应变速率和温度相关断裂:实验和神经网络建模。国际塑料杂志。2020;135:102788. doi:10.1016/j.ijplas.2020.102788 [33] LiX、RothCC、BonattiC、MohrD。具有动态应变时效的速率和温度相关硬化的反例训练神经网络模型。国际塑料杂志。2022;151:103218. doi:10.1016/j.ijplas.2022.103218 [34] SettgastC、HütterG、KunaM、AbendrothM。用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 [35] 富尔戈西亚博兹诺夫斯基。模式相似性和迁移学习对基础感知器b2(克罗地亚语原版)训练的影响。信息技术研讨会会议记录。1976 [36] PrattLY,MostowJ,KammCA。神经网络之间学习信息的直接传递。第九届全国人工智能会议记录(AAAI‐91);1991:584‐589. [37] 博兹诺夫斯基。让人想起1976年关于神经网络中的迁移学习的第一篇论文。Informatica。2020;44(3):291‐302. doi:10.31449/inf.v44i3.2828 [38] 杨强(YangQ PanSJ)。关于迁移学习的调查。IEEE Trans Knowl Data Eng.2010;22(10):1345‐1359. doi:10.1010/TKDE.2009.191 [39] BlitzerJ、McDonaldR、PereiraF。结构对应学习的领域适应。自然语言实证方法会议论文集;2006:120‐128. [40] BlitzerJ、DredzeM、PereiraF。传记、宝莱坞、吊杆盒和搅拌器:情绪分类领域改编。计算语言学协会第45届年会论文集;2007:432‐439. [41] RainaR、BattleA、LeeH、PackerB、NgAY。自学学习。2007年第24届国际机器学习会议论文集。ACM出版社;2007:759‐766. doi:10.1145/1273496.1273592 [42] 达姆山。令人沮丧的简单领域适应。计算语言学协会第45届年会论文集;2007:256-263. [43] BennettPN、DumaisST、HorvitzE。使用广义可靠性指标进行文本分类的归纳传递。机器学习和数据挖掘中从标记数据到未标记数据的连续体ICML研讨会论文集;2003 [44] DevlinJ、ChangMW、LeeK、ToutanovaK。BERT:针对语言理解的深度双向变换器的预培训。arXiv公司。2018;10:1810.04805. [45] 邓杰、董伟、SocherR、LiLJ、LiK、Fei‐FeiL。ImageNet:一个大规模的分层图像数据库。2009年IEEE计算机视觉和模式识别会议。IEEE;2009:248‐255. [46] LinTY,MaireM,BelongieS,et al.微软COCO:计算机科学背景中的通用对象讲稿(包括人工智能子系列讲稿和生物信息学讲稿);2014:740‐755. [47] YosinskiJ、CluneJ、BengioY、LipsonH。深度神经网络中的特征有多大的可转移性?高级神经信息处理系统。2014;27:3320‐3328. [48] RaghuM、Zhang C、KleinbergJ、BengioS。输血:了解医学成像的转移学习。第33届神经信息处理系统大会(NeurIPS 2019);2019 [49] FawazHI、ForestierG、WeberJ、IdoumgharL、MullerPA。时间序列分类的转移学习;2018.doi:10.1109/BigData.2018.8621990 [50] WeissK、KhoshgoftaarTM、WangD。迁移学习调查。J大数据。2016;3(1):9。doi:10.1186/s40537‐016‐0043‐6 [51] SwiftHW。平面应力下的塑性失稳。机械物理固体杂志。1952;1(1):1‐18. doi:10.1016/0022‐5096(52)90002‐1 [52] VoceE公司。均匀变形的应力和应变之间的关系。《Inst Metals杂志》。1948;74:537‐562. [53] HeK、ZhangX、RenS、SunJ。深入研究整流器:在图像网络分类方面超越人类水平的性能。IEEE国际计算机视觉会议。2015年doi:10.1109/ICCV.2015.123 [54] 本吉奥·格洛洛特。了解训练深度前馈神经网络的困难。第十三届国际人工智能与统计会议,PMLR 9;2010:249‐256. [55] BaJL KingmaDP公司。亚当:一种随机优化方法。2015年第三届国际学习代表大会;2015:1‐15. [56] MockusJ、TiesisV、ZilinskasA。贝叶斯方法在求极值中的应用。走向全球优化。1978;2:117‐129. ·Zbl 0394.90090号 [57] Jones博士。基于响应曲面的全局优化方法的分类。J全球优化。2001;21(4):345‐383. doi:10.1023/A:1012771025575·Zbl 1172.90492号 [58] JordanB、GrolleauV、MohrD。使用环绕DIC从单轴拉伸试验中提取真实的应力-应变曲线。国际J固体结构。2023;268:268之间。doi:10.1016/j.ijsolstr.2023.112171 [59] 莫库斯J。全局优化的贝叶斯方法。第37卷。施普林格;1989.doi:10.1007/978‐94‐009‐0909‐0 [60] JonesDR、SchonlauM、WelchWJ。高效全局优化昂贵的黑盒函数。J全球优化。1998;13(4):455‐492. doi:10.1023/A:1008306431147·Zbl 0917.90270号 [61] BrochuE、CoraVM、deFreitasN。昂贵成本函数的贝叶斯优化教程,应用于主动用户建模和分层强化学习。2009 [62] AuerP、Cesa‐BianchiN、FischerP。多臂强盗问题的有限时间分析。马赫学习。2002;47(2/3):235‐256. doi:10.1023/A:1013689704352·Zbl 1012.68093号 [63] 科西斯L,SzepesváriC。基于Bandit的蒙特卡罗规划ECML;2006:282‐293. doi:10.1007/11871842-29 [64] 库什内尔HJ。一种在噪声存在下定位任意多峰值曲线最大点的新方法。《基础工程杂志》1964;86(1):97‐106. 数字对象标识代码:10.1115/1.3653121 [65] 汤普森。考虑到两个样本的证据,一个未知概率超过另一个的可能性。生物特征。1933;25(3/4):285‐294. doi:10.307/2332286 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。