提出了一种可扩展、高效且可解释的机器学习方法来表示循环塑性并替代基于径向返回映射算法的传统材料模型，通过实现物理信息正规化和背应力信息，以及最大程度上对神经网络的卸载，实现了在有限的训练数据量下的高精度和稳定性。该模型结构相对于文献中现有的解决方案更简单、更高效，并能表示完整的三维材料模型。通过采用 Armstrong-Frederick 运动硬化模型获得的替代数据进行了验证，均方误差被作为损失函数，该函数规定了几个限制条件：内部变量的去杂化特性，与流动规则的一致性，弹性和塑性步骤的区分以及流动规则的关联性，然而，后者对准确性的影响较小，这意味着该模型适用于广泛的内部变量演化规律。详细展示了模拟多个载荷情况的数值测试，并进行了准确性和稳定性的验证。

Mar, 2024

本研究提出了一种基于机器学习的材料模型框架，分别适用于弹性和塑性模型，其中弹性模型采用前馈神经网络（FNN）直接建立，而塑性模型则采用 Proper Orthogonal Decomposition Feed forward Neural Network（PODFNN）建立，处理多维组合多轴应变应力数据。本文还研究了如何将机器学习材料模型应用于有限元分析中，通过数值算例展示了该方法的有效性和普适性。

Jan, 2020

通过将符号框架集成到神经求解器中，缩小了黑盒预测和解决方案之间的鸿沟，提高了解释性。

Oct, 2023

利用神经网络的数据驱动本构模型，在加入物理和机制约束的同时，通过训练及 $l^0$ 正则化的方法，实现了可解释性和可信赖性的简约化表征，适用于可压缩与不可压缩高弹性、屈服函数和强化模型的合成和实验数据。

Oct, 2023

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。

Jun, 2023

本研究通过应用人工神经网络和多元回归方法，从广为接受的经典模型中找到适合人脑组织的材料本构模型，结果发现人工神经网络在自动识别准确的本构模型方面具有潜力，同时通过多元回归方法实现模型简化，保持高准确率。

Oct, 2023

发展和验证了拉普拉斯逼近、马尔可夫链蒙特卡罗采样方法和变分推断等贝叶斯推断方法，发现拉普拉斯逼近是解决这类问题的最佳方法。我们的工作可以轻松扩展到多项式神经网络等符号神经网络的更广泛类别。

Aug, 2023

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

提出了利用深度学习解决符号回归的框架，该框架使用循环神经网络生成数学表达式分布，并使用新颖的风险寻求策略梯度来训练网络生成更好的拟合表达式。该算法在一系列基准问题中表现优于几种基准方法，包括符号回归的黄金标准 Eureqa。

Dec, 2019

本研究介绍了使用多项式神经常微分方程（polynomial neural ODE）框架解决神经常微分方程（neural ODE）应用中，解释性和泛化能力问题的方法，并且演示了多项式神经常微分方程在预测能力和符号回归方面的优秀性。

Aug, 2022