具有物理信息概率扩散场的生成超弹性
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
本研究提出一种新颖的物理知情扩散模型,用于生成合成的净负荷数据,解决数据稀缺和隐私问题。该模型将物理模型嵌入去噪网络中,提供了一种多功能方法,可以轻松推广到未预料的情景。利用来自 Pecan Street 的真实智能电表数据,我们验证了所提出的方法,并通过与生成对抗网络、变分自动编码器、标准化流以及经过良好校准的基线扩散模型等最先进的生成模型进行了全面的数值研究,使用一套全面的评估指标来评估生成的合成净负荷数据的准确性和多样性。数值研究结果表明,所提出的物理知情扩散模型在所有定量指标上优于最先进的模型,至少提供了 20% 的改进。
Jun, 2024
我们提出了一个泛化的深度神经网络方法,用于以分位回归捕捉不确定性来建模应力作为状态函数。我们通过应用随机微分方程将这些模型扩展到单轴冲击力学,展示了一个使用案例,并提供了一个实施这种不确定性感知应力函数的框架。我们对公开可用和新呈现的数据集进行了实验证明我们的方法优于领先的本构、机器学习和迁移学习方法在应力和冲击力学建模方面。我们还提供了一个框架,以优化材料参数,根据多个竞争的冲击场景。
Nov, 2023
通过在模型训练过程中加入约束条件使其生成的样本更符合所施加的约束,从而提高生成样本与约束的一致性,且相较于现有方法有更好的性能且不影响推断速度;该方法还可以自然地防止过拟合。
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
我们提出一种基于几何等变的 GNN 的概率扩散模型,可以同时考虑原子位置和晶格,以发现具有特定化学性质的晶体结构,并通过新的生成度量方法评估模型的有效性。
Dec, 2023
本文提出了基于去噪扩散概率模型的深度学习生成方法,首次应用于利用全球能源预测竞赛 2014 的开放数据进行能源预测。结果表明,这种方法与其他最先进的深度学习生成模型竞争力相当。
Dec, 2022
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
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