Aug, 2023
张量基神经网络的应力表示：与 Finger-Rivlin-Ericksen 的替代配方
Stress representations for tensor basis neural networks: alternative formulations to Finger-Rivlin-Ericksen
Jan N. Fuhg, Nikolaos Bouklas, Reese E. Jones
TL;DR基于数据驱动的神经网络和经典表示定理的本构建模框架因其易于整合本构约束和卓越的泛化性能而受到广泛关注。本研究通过测试多种不同张量基生成器的模型，对有限变形情况下的高弹性材料进行建模，包括一些尚未探索使用与 Finger-Rivlin-Ericksen 理论等效的不变量和生成器的公式。此外，我们比较了基于势函数和系数的方法以及不同的校准技术，并对三种不同材料的噪声和无噪声数据集进行了九个变体的测试，提供了每种公式性能的理论和实用洞察。