Jun, 2023

物理建模的 UNets 用于发现异质材料中隐藏的弹性特性

PDF
TL;DR本文提出了一种基于 UNet 的神经网络模型（El-UNet）用于推断机械参数和应力分布，相比于全连接物理信息神经网络，其精度更高且计算成本更低；并且提出了一种自适应空间权重的方法，用于求解三维反向弹性问题，有效性得到验证。
neural networkelasticityinverse problemspatial weightingcomputational efficiency
发现论文，激发创造
  • 软组织非线性生物力学模型中的物质特性基于物理知识的神经网络估计

    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

  • 映射微结构的弹性特性到机械变形的有限算子学习技术

    为了开发更快速解决固体力学中的物理方程的求解器，我们引入了一种参数化学习力学平衡解的方法，该方法在计算成本方面优于传统方法，同时可接受地保持准确性。此方法具体应用于微机械学，在微观结构中知道微观力学解，即给定异质微结构的变形和应力场，非常重要。我们的研究表明，基于物理的训练方法在未知微结构上相较于纯数据驱动方法具有更高的准确性。

    Mar, 2024

  • StrainNet：使用 SE（3）- 等变图神经网络预测晶体结构的弹性特性

    本文提出了一种基于数据驱动的方法，使用 SE (3) 等变图神经网络高效预测晶体结构的弹性性质，该方法能较准确地预测重要弹性模量和变形能密度以及相应的弹性常数，并提供可解释预测的有意义的潜在特征。

    Jun, 2023

  • 具有物理信息概率扩散场的生成超弹性

    借助生成模型和基于数据驱动的应变能函数，本研究针对复杂材料的不确定性和空间异质性问题进行了实验和仿真测试，发展了一种能够包含这些因素的预测模型。

    Sep, 2023

  • 半无限层状域地震波反演的物理知识驱动神经网络

    本文提出一种基于物理信息神经网络（PINN）的地震波反演框架，以求解半无限域的介质分布问题。通过设计轻量网络学习未知介质分布和深度神经网络近似求解变量来验证该方法的有效性。

    May, 2023

  • 非弹性本构人工神经网络的理论与实现

    通过扩展具有客观性、刚体运动、乘法分解和能量限制的 Constitutive Artificial Neural Networks（CANN）架构为 iCANN，我们能够自主地发现包括人工生成数据、聚合物对循环加载的响应和肌肉数据的松弛行为的模型，这将揭示出隐藏在数据中的各种非弹性现象和相互作用。

    Nov, 2023

  • 基于图 U-Net 的领域无关后处理：应用于电阻抗断层成像

    本文提出一种基于图卷积神经网络的重建方法，通过对有限元网格进行图化处理构建图，使用新型的聚集池化和反池化方式设计了灵活的图 U-Net。我们将该方法应用于电阻抗层析成像重建，经过模拟数据和三种不同测量设备的实验验证，表明该模型能够取得较好的性能和灵活性，可实现从三维设备到不同领域的重建。

    May, 2023

  • 基于深度学习的动脉血管壁压力和应变图预测用于改善心血管风险评估

    本研究开发了一种有限元分析的替代模型，可以准确、高效地预测不考虑复杂几何形状和边界条件下的动脉壁应力应变场。

    Aug, 2023

  • 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

    应用了物理启发式神经网络来解决非线性、路径依赖性材料行为的本构关系，该模型除了满足所有热力学约束条件外，还能够在不需要初始数据的情况下即时提供有关当前材料状态的信息，并提供了降低正切算子所需导数阶数的策略。

    Apr, 2023

  • 固体力学领域的解决方案和发现的深度学习框架

    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