使用带有内部变量的深度物理引导神经网络预测和解释非线性材料响应

Aug, 2023

使用带有内部变量的深度物理引导神经网络预测和解释非线性材料响应

Predicting and explaining nonlinear material response using deep Physically Guided Neural Networks with Internal Variables

PDF

Javier Orera-Echeverria, Jacobo Ayensa-Jiménez, Manuel Doblare

TL;DR利用物理导向神经网络，仅使用测量的力位移数据进行训练，实现对非线性材料的内外部变量的预测，揭示材料的本质，从而实现可解释人工智能。

Abstract

nonlinear materials are often difficult to model with classical state model theory because they have a complex and sometimes inaccurate physical and mathematical description or we simply do not know how to describe such materials in terms of relations between external and internal vari

nonlinear materials neural network physically guided neural networks constitutive laws explainable artificial intelligence

发现论文，激发创造

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

运用物理引导的生成对抗网络学习物理模型

本文讨论了如何使用物理引导生成对抗网络（PG-GAN）来解决深度神经网络输出不满足物理方程问题的方法。

Apr, 2023

有限应变框架中的率相关和路径相关异质材料的物理循环神经网络

本研究探究了基于混合物理的数据驱动代理模型，利用嵌入神经网络中的组分模型中所包含的物理学知识来进行异质材料的微观分析。通过引入适用于有限应变框架下速率依赖性材料的体态循环神经网络 (PRNN) 架构，将显微模型的均质变形梯度编码为一组作为嵌入组分模型输入的变形梯度，在可预测均质应力的解码器中将这些组分模型计算的应力进行组合，以使得历史依赖性构成模型的内部变量自然地为网络提供以物理为基础的记忆。通过考虑具有横向各向同性弹性纤维和弹 - 粘塑性基质材料的单向复合显微模型，测试了替代此类显微模型的代理模型的外推性能，包括不同应变速率、循环加载和松弛过程。与原始显微模型运行时间相比，获得了三个数量级的加速。

Apr, 2024

可解释人工智能在力学中的应用：基于物理信息的神经网络用于本构模型

本文探讨了物理信息神经网络和解释性人工智能的方法，通过对机械数据的训练，使用主成分分析法解释神经网络的高维表示，并能为新材料的数值和分析闭合形式解决方案提供有力的支持。

Apr, 2021

物理引导的神经网络（PGNN）：在湖泊温度建模中的应用

本论文介绍了一种将物理学 - 基于模型的知识与神经网络相结合的框架，被称为物理引导的神经网络（PGNN），在混合建模设置中利用物理模型模拟的输出和观察特征，借助神经网络体系结构生成预测。此框架使用物理基础的损失函数在神经网络的学习目标中，以确保模型预测不仅在训练集上显示较低的误差，而且在未标记的集合上与已知的物理学保持科学一致性。通过以科学知识指导神经网络的构建和学习，我们能够证明所提出的框架确保了更好的泛化能力和结果的科学一致性。

Oct, 2017

神经超材料网络用于非线性材料设计

本文提出了神经介质网络（NMN）作为一种平滑的神经表示，用于编码整个介质材料家族的非线性力学特性，并将逆材料设计作为一种非线性规划问题进行阐述。

Sep, 2023

利用物理信息神经网络识别复杂超弹性固体的本构参数

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

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

物理信息 MeshGraphNets（PI-MGNs）：适用于任意网格的非定常和非线性模拟的神经有限元方法

该研究论文介绍了 PI-MGNs，一种将 PINNs 和 MGNs 相结合的混合方法，用于在任意网格上快速准确地解决非稳态和非线性偏微分方程的热工过程模拟。

Feb, 2024

物理启发神经网络无创推断血栓材料特性

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