通过第一性原理计算生成的数据，我们开发了一个神经网络力场 NN-F3 来研究断裂，通过预先对应变态空间进行采样和积极学习技术来探索临界键合距离处的过渡态。模拟结果验证了最近的实验发现，并强调在预测极端机械过程中包括从第一性原理计算中获取的电子结构知识的必要性。

Oct, 2023

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

通过与 NeRF 紧密结合，我们展示了物理学模拟可以无缝地生成现实世界物体的高质量弹性动力学。与现有方法不同，我们以无网格的方式离散非线性超弹性，避免了需要中间辅助形状代理（如四面体网格或体素网格）的必要性。我们采用二次广义最小二乘 (Q-GMLS) 来捕捉隐式模型上的非线性动力学和大形变。这种无网格集成方式可以对复杂的、共维度的形状进行灵活的模拟。根据 NeRF 密度场自适应地放置最小二乘核，可以显著减少非线性模拟的复杂性。因此，可以方便地使用我们的方法合成各种高弹性材料的物理真实动画，并以交互速度进行渲染。更多信息，请访问我们的项目页面。

Nov, 2023

基于机器学习的应力场预测和不确定性量化方法，以及对多样材料微观结构的系统比较和推断算法的不确定性估计。

Jun, 2024

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

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

借助生成模型和基于数据驱动的应变能函数，本研究针对复杂材料的不确定性和空间异质性问题进行了实验和仿真测试，发展了一种能够包含这些因素的预测模型。

Sep, 2023

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

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

利用并行多尺度模型比单尺度模拟可以更准确地模拟先进材料的力学响应，但是计算成本是该方法实际应用的障碍。本研究提出了一种备选的代理建模策略，允许保持问题的多尺度特性，并可与有限元求解器交替使用。通过使用图神经网络 (GNN) 预测完全场微观应变，并保留微观本构材料模型以获得应力，我们在弹塑性材料上实现了这一点。这种基于数据和物理的图形方法避免了预测完全场响应所产生的高维度，并允许非局部性产生。通过对各种网格进行训练，GNN 学习了对未见过的网格的泛化，使单个模型可以用于一系列的微结构。GNN 中嵌入的微观本构模型隐式地跟踪历史依赖变量，并提高了准确性。我们证明了对于几个具有挑战性的情景，代理模型能够预测复杂的宏观应力 - 应变路径。由于我们的方法的计算时间与微结构中的元素数量相比的呈良好的缩放规律，因此我们的方法可以显著加速 FE2 模拟。

Feb, 2024