利用基于物理信息的神经网络学习非线性本构材料模型的解决方案:COMM-PINN
基于物理信息神经网络(PINN)的新框架用于识别软材料的本构参数,尤其是在平面应力条件下表现出复杂的本构行为,我们的模型强调使用多模态时变实验数据集训练 PINN,确保算法的鲁棒性,即使在嘈杂的数据中,我们的框架仍能准确识别具有复杂几何形状的样品的不可压亚 - 博伊斯模型的本构参数,保持误差在 5% 以下。
Aug, 2023
本文介绍了物理信息神经网络在固体力学中应用的方法,展示了通过使用多网络模型,结合动量平衡和本构关系,可以更准确地呈现一些场量变量。同时,通过测试合成数据并和解析解和数值解进行比较,验证了模型的有效性和精度,并指出了等几何分析在准确性和收敛性方面的优于有限元法的特点。我们还探索了该框架在机器学习中的应用,并发现物理信息对于提高模型的鲁棒性有很大作用。
Feb, 2020
基于物理信息神经网络(PINNs)与三维柔性组织非线性生物力学模型的结合,本研究提出了一种新的方法,能够重建位移场并估算异质病人个体的生物物理特性,通过在临床环境中常规获取的有限位移和应变数据,结合问题的物理性质和偏微分方程的数学模型,提高问题的稳定性和收敛性能,进而在疾病诊断等方面发展个性化的模拟模型,并演示了 PINN 能够检测瘢痕组织的存在、位置和严重程度的能力。
Dec, 2023
本研究提出一种基于物理知识约束的神经网络(PINN),用于模拟复合材料在固化炉中的热化学演变,并且该网络能有效地求解包括传热和树脂固化动力学等方程组。在 PINN 中,为了解决热传导和树脂固化行为的差异,设计了由两个不连通子网络组成。此外,还采用了一种对 PDE、边界、界面和初始条件自适应调整损失项权重的技术。最后,我们证明了 PINN 可用于实时模拟材料不同厚度和热边界条件下的多种场景,并且可以使用迁移学习来显著减少解决类似问题的训练时间。
Nov, 2020
本文探讨了物理信息神经网络(PINN)在小变形弹性接触力学的正向和反向问题中的解决能力,通过输出变换的混合变量形式化来强制施加迪里希特和诺伊曼边界条件,并将接触问题的不等式约束即 Karush-Kuhn-Tucker 条件作为松软约束融入丢失函数,研究现有的应用于弹塑性问题的约束函数,探索了具有优良优化特性的非线性互补问题(NCP)函数即 Fischer-Burmeister,基于赫兹接触问题,我们展示了 PINN 可以作为纯偏微分方程(PDE)求解器、数据增强的正向模型、参数识别的反向求解器和快速计算的代理模型的重要性,并展示了选择适当的超参数(例如损失权重)和 Adam 与 L-BFGS-B 优化器的组合以获得更精确和节省训练时间的结果的重要性。
Aug, 2023
用参数物理信息神经网络参数化地、通过全场位移数据进行本构模型标定所提出的方法,在确定性标定和基于贝叶斯推断的不确定性估计方面均具有高准确性,并且与有限元方法标定的实验证实结果相吻合。
May, 2024
本文采用物理信息神经网络 (PINNs) 和合成数据推断生物材料的特性,特别是我们成功地应用于推断血栓渗透性和粘弹性模量,验证了该模型在噪声合成数据中的鲁棒性。
May, 2020
将几何变换与物理约束神经网络(PINNs)结合,通过将微分同胚作为参考域的映射并调整物理约束损失函数的导数计算,我们实现了对复杂几何和低维流形的 PINNs 的应用,从而允许在网络训练中进行直接的形状优化。通过对多个问题的示例验证,特别是在几何变化下,我们展示了该方法相比传统 PINNs 的增强灵活性。该框架为在科学和工程中基于参数化几何体上的偏微分方程(PDEs)进行高级建模铺平了道路。
Nov, 2023
本文提出一种基于物理知识的神经网络(PINN)算法,通过最小化系统的变分能量来求解脆性断裂问题,同时对神经网络输出进行修改以满足边界条件并采用迭代学习模式。通过在四个断裂力学问题上的验证,证明了该方法相对于常规的残差 PINN 算法具有更好的准确性和相对简单鲁棒的重要优势。
Jul, 2019
本文提出了一种基于物理学信息神经网络(PINN)的方法来解决在没有标注数据的情况下建模弹性动力学问题的挑战,进一步解决了复杂的 I/BCs 在弱正则化 PINN 框架下无法很好满足的问题,在多个数值弹性例子中展示了该方法的可行性。
Jun, 2020