×
Iksu Jeong;赵明熙;Hayong Chung;Kim、Do-Nyun

基于全现场数据的物理信息神经网络的材料行为数据驱动非参数识别。 （英语） Zbl 07823452号

计算。方法应用。机械。工程师。 418，B部分，文章ID 116569，17 p.（2024）.
总结：开发了一个物理信息神经网络（PINN）模型，用于从全场位移数据中提取材料行为。PINN模型由描述位移、变形梯度、应力和应变能量密度函数等力学场的独立网络组成。位移和变形梯度网络从试样的变形数据中学习，而应力和材料网络分别预测试样内的应力分布和学习目标材料的行为。每个力学场都应满足动量平衡、相容性、本构关系和边界条件等物理定律。约束被封装在损失函数中，通过最小化损失函数来确定每个隐藏层的权重和偏差。本研究引入两阶段学习策略来处理最小化过程，这是一个多目标优化问题。对线弹性、幂律和不可压缩超弹性材料验证了该方法的准确性。数据驱动的识别方法成功识别了目标材料在单轴拉伸、简单剪切和拉剪耦合载荷情况下的响应。在有噪声和缺失点的全场数据上验证了该方法的鲁棒性。数据驱动识别可以处理缺失点的全场数据，并随着噪声幅度的增加保持合理的精度水平。此外，将不可压缩超弹性材料的数据驱动识别结果与常规参数识别结果进行了比较。与传统方法相比，该方法不需要预先定义模型，因此具有优势。结果表明，数据驱动的识别方法可以应用于无需建立本构模型或具有制造不确定性的新材料。

MSC公司：

74-XX岁 可变形固体力学
93至XX 系统论；控制

关键词：

物理信息神经网络;材料标识;全场数据;两阶段学习
PDF格式BibTeX公司 XML格式引用
\textit{I.Jeong}等人，计算。方法应用。机械。工程418，B部分，文章ID 116569，17 p.（2024；Zbl 07823452）
全文： 内政部

参考文献：

[1] 科奇多尔，特伦顿；Michael Ortiz，《数据驱动计算力学》。计算。方法应用。机械。工程，81-101（2016）·Zbl 1425.74503号
[2] 科奇多尔，特伦顿；Michael Ortiz，《动力学中的数据驱动计算》。国际。J.数字。方法工程，11697-1710（2018）
[3] Montáns，Francisco J.，科学与工程中的数据驱动建模和学习。C.R.MéC。，11, 845-855 (2019)
[4] Ibañez，Ruben，数据驱动非线性弹性：本构流形构造和问题离散化。计算。机械。，5, 813-826 (2017) ·Zbl 1387.74015号
[5] Ibanez，Rubén，数据驱动计算弹性和非弹性的流形学习方法。架构（architecture）。计算。方法工程，1，47-57（2018）·Zbl 1390.74195号
[6] 钟英云；我是孙杨；Cho，Maenghyo，基于分子动力学模拟的超弹性神经网络本构模型。国际。J.数字。方法工程，1，5-24（2021）
[7] Linka，Kevin，本构人工神经网络：一种通过深度学习进行预测数据驱动的本构建模的快速通用方法。J.计算。物理学。(2021) ·Zbl 07500745号
[8] 宋蒙（Sungmoon Jung）；Ghaboussi，Jamshid，速率相关材料的神经网络本构模型。计算。结构。，15-16, 955-963 (2006) ·Zbl 1120.74860号
[9] Gorji，Maysam B.，《递归神经网络对路径依赖塑性建模的潜力》。J.机械。物理学。固体（2020）
[10] Mozaffar，M.，深度学习预测路径依赖可塑性。程序。国家。阿卡德。科学。，52, 26414-26420 (2019)
[11] 卡普阿诺，德语；Rimoli，Julian J.，《智能有限元：一种新的机器学习应用程序》。计算。方法应用。机械。工程，363-381（2019）·Zbl 1440.65190号
[12] Le，B.A。；朱利安·伊冯内特；He，Q-C，使用神经网络的非线性弹性材料计算均匀化。国际。J.数字。方法工程，12，1061-1084（2015）·Zbl 1352.74266号
[13] 拉姆齐·奥斯曼；阿洛伊，苏海拉；Poitou，Arnaud，用非参数方法识别动态试验中的非均匀应力场。波利姆。测试。，5, 616-623 (2010)
[14] 光力学，第77卷（2003年），施普林格科学与商业媒体
[15] Peters，W.H。；Ranson，W.F.，《实验应力分析中的数字成像技术》。选择。工程师，3427-431（1982）
[16] Pan，Bing，平面内位移和应变测量的二维数字图像相关：综述。测量。科学。技术。，6 (2009)
[17] 克莱尔，达米恩；弗朗索瓦·希尔德；Roux，Stéphane，使用全场位移测量确定损伤规律。国际损伤力学杂志。，2, 179-197 (2007)
[18] 亚历山大·马雷克（Aleksander Marek）；弗朗西斯·戴维斯（Frances M.Davis）。；Pierron，Fabrice，基于灵敏度的非线性虚拟场方法虚拟场。计算。机械。，3, 409-431 (2017) ·Zbl 1386.74151号
[19] Avril，Stéphane，基于全场测量的机械参数识别方法概述。实验机械。，4, 381-402 (2008)
[20] Leygue，Adrien，材料响应的基于数据的推导。计算。方法应用。机械。工程，184-196（2018）·Zbl 1439.74050号
[21] Li，L.F。；Chen，C.Q.，超弹性材料本构建模的基于平衡的卷积神经网络。J.机械。物理学。固体（2022）
[22] Thakolkaran，Prakash，NN-EUCLID：无压力数据的深度学习超弹性。J.机械。物理学。固体（2022年）
[23] Réthoré，Julien，数字图像应力场的计算测量。国际。J.数字。方法工程，121810-1826（2018）
[24] 伊桑·哈希亚特；Juanes、Ruben和Sciann：使用人工神经网络进行科学计算和基于物理的深度学习的keras/张量流包装器。计算。方法应用。机械。工程（2021）·Zbl 1506.65251号
[25] 阿迪蒂·克里希纳普里扬（Aditi Krishnapriyan），描述物理信息神经网络中可能的故障模式。高级神经信息处理。系统。，26548-26560 (2021)
[26] Haghighat，Ehsan，《固体力学反演和替代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）·Zbl 1506.74476号
[27] Vahab，Mohammad，一种基于物理的神经网络方法，用于求解和识别弹性双调和方程。机械工程杂志。，2 (2022)
[28] 张恩瑞，使用物理信息神经网络分析材料的内部结构和缺陷。科学。高级，7（2022）
[29] Yu，Jeremy，PDE正向和反向问题的梯度增强物理信息神经网络。计算。方法应用。机械。工程（2022）·Zbl 1507.65217号
[30] Jagtap，Ameya D.，为超音速流动中的反问题提供了物理学信息的神经网络。J.计算。物理学。(2022) ·Zbl 07561079号
[31] 张恩瑞；尹明朗；Karniadakis，George Em，《弹性成像中非均匀材料识别的物理信息神经网络》（2020年）
[32] 大卫·安东；Wessels，Henning，《利用全场位移数据校准材料模型的物理信息神经网络》（2022），arXiv预印本arXiv:2212.07723
[33] 吴文思，用于识别固体力学中材料特性的物理信息神经网络的有效数据采样策略和边界条件约束。申请。数学。机械。，7, 1039-1068 (2023)
[34] Ali Kamali；穆罕默德·萨拉比安；Laksari，Kaveh，《使用物理信息神经网络的弹性成像：弹性模量和泊松比的空间发现》。生物学报。，400-409 (2023)
[35] 北苏库马尔。；Srivastava，Ankit，在物理信息丰富的深层神经网络中用距离函数精确施加边界条件。计算。方法应用。机械。工程（2022）·兹比尔1507.65284
[36] 王思凡；于新玲；佩迪卡里斯，巴黎，《PINN何时以及为何无法训练：神经切线内核视角》。J.计算。物理学。(2022) ·Zbl 07524768号
[37] 王思凡；滕玉君；巴黎Perdikaris，《理解和缓解物理信息神经网络中的梯度流病理学》。SIAM J.科学。计算。，5、A3055-A3081（2021）·Zbl 1530.68232号
[38] 林顺宁；Chen，Yong，基于守恒量的两阶段物理信息神经网络方法及其在局域波解中的应用。J.计算。物理学。(2022) ·Zbl 1515.65264号
[39] Wei，Dongming，一些应变结构建模中产生的非线性波动方程。不锈钢，0-45（2005）
[40] 克里斯蒂安·费希特（Christian Feichter）；少校，佐尔坦；Lang，R.W.，缺口橡胶试样的变形分析。菌株，4299-304（2006）
[41] Pascon，Joáo Paulo，通过三角膜有限元对平面应力超弹性问题进行大变形分析。国际期刊高级结构。工程，331-350（2019）
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。