Oct, 2023

应用感知式无网格动力学的深度学习模型进行脆性损伤预测

PDF
TL;DR本研究提出了一种将弹性力学理论与 PINN 相结合的新方法，用于预测脆性材料中的准静态损伤和裂纹传播。通过将线性化的弹性力学方程强制加到 PINN 的基于残差的损失函数中，实现了高预测准确性和收敛速率。通过监测训练过程中损失函数的行为，对所提出的 PD-INN 模型的性能进行评估，并通过与 PD 直接数值方法和扩展有限元方法获得的结果进行验证。我们的结果表明，这种非局部 PDINN 能够准确高效地预测损伤和裂纹的传播。
发现论文，激发创造
  • 应用迁移学习增强的物理知识神经网络用于断裂的相场建模

    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

  • 基于物理学的神经网络用于超声无损检测表面裂纹的定量化

    本研究介绍了一种优化的物理信息神经网络 (PINN)，使用超声表面波数据识别和表征金属板中的表面裂纹，并展示了自适应激活函数的使用显著提高了收敛速度和准确性。研究结果表明该模型有望成为解决病态反问题的有效深度学习模型。

    May, 2020

  • 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

  • 基于物理信息的速率和状态故障摩擦的深度学习

    本文使用物理约束力学知识和机器学习方法开发了一种多网络的物理信息神经网络（PINN），用于模拟地震运动和推断地震断裂参数，以评估地震灾害。

    Dec, 2023

  • 基于信息受控神经网络的多尺度深度学习框架

    使用物理信息神经网络（PINN）来解决具有多尺度问题的新框架，通过重新构建损失函数并应用不同数量的幂运算到损失项上以使损失函数中的项具有相近的数量级，并且引入分组正则化策略以解决不同子域中变化显著的问题，该方法使得具有不同数量级的损失项可以同时优化，推动了 PINN 在多尺度问题中的应用。

    Aug, 2023

  • 基于物理学信息的无标签数据计算弹性动力学的深度学习

    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

  • 物理知识指导神经网络的可能失效模式表征

    本文研究了物理知识对神经网络的影响，尤其是对物理意义的学习。研究发现，使用以前的方法，神经网络会容易受到微妙的问题的困扰。为了解决这个问题，我们提出了课程规范化和序列到序列学习两种新的方法。通过使用这两种方法，我们可以取得比以前更好的结果。

    Sep, 2021

  • iPINNs: 物理信息神经网络的增量学习

    本文提出了一种增量 PINNs (iPINNs) 的方法，它可以连续学习多个偏微分方程（PDE），从而提高了对预测的准确性。

    Apr, 2023

  • 物理信息神经网络用于预测柴油机气体流动动力学和未知参数

    本篇论文提出了一种基于物理知识的神经网络（PINN）方法来监测柴油发动机的健康状况，并考虑将深度神经网络（DNN）与 PINN 模型相结合，以更好地适应柴油发动机的状态。

    Apr, 2023

  • 物理信息神经网络在复合材料 - 工具系统制造中热化学固化过程建模中的应用

    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