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

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

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

通过扩展具有客观性、刚体运动、乘法分解和能量限制的 Constitutive Artificial Neural Networks（CANN）架构为 iCANN，我们能够自主地发现包括人工生成数据、聚合物对循环加载的响应和肌肉数据的松弛行为的模型，这将揭示出隐藏在数据中的各种非弹性现象和相互作用。

Nov, 2023

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

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

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

采用机器学习技术同化任意微观结构的有效行为已被证明不仅高效而且准确。本文结合先进的微观力学模型和机器学习技术展示了如何同化表现非线性和历史相关行为的复杂微观结构，通过所得的智能本构法（SCL）将微观信息融入有限元求解器，所需计算成本仅为传统并发多尺度方法的一小部分。本文通过引入在神经元级别强制施加材料对称性的新方法，扩展了 SCL 的能力，适用于各种神经网络架构。该方法利用基于张量的特征在神经网络中有效、准确地表示保持对称操作，且泛化性足够强以应用于超越本构模型的问题。详细介绍了构建这些基于张量的神经网络以及其在学习本构法中的应用，包括对弹性材料和非弹性材料的测试。通过对各种材料（包括各向同性的新胡克材料和张力结构格子异质材料）进行全面测试，验证了该方法在数据有限且存在强对称性的情况下优于传统神经网络的优越性。最后讨论了该方法在材料对称基础发现和未来研究方向的潜力。

Dec, 2023

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

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。

Aug, 2023