Mar, 2024

基于混合数据驱动和物理信息的正则化学习循环塑性与神经网络

PDF
TL;DR提出了一种可扩展、高效且可解释的机器学习方法来表示循环塑性并替代基于径向返回映射算法的传统材料模型，通过实现物理信息正规化和背应力信息，以及最大程度上对神经网络的卸载，实现了在有限的训练数据量下的高精度和稳定性。该模型结构相对于文献中现有的解决方案更简单、更高效，并能表示完整的三维材料模型。通过采用 Armstrong-Frederick 运动硬化模型获得的替代数据进行了验证，均方误差被作为损失函数，该函数规定了几个限制条件：内部变量的去杂化特性，与流动规则的一致性，弹性和塑性步骤的区分以及流动规则的关联性，然而，后者对准确性的影响较小，这意味着该模型适用于广泛的内部变量演化规律。详细展示了模拟多个载荷情况的数值测试，并进行了准确性和稳定性的验证。
发现论文，激发创造
  • 基于 POD 的机器学习可塑性模型

    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

  • 循环神经网络和迁移学习在编织复合材料中的弹塑性研究

    本研究介绍了循环神经网络（RNN）模型作为计算密集型中尺度模拟编织复合材料的替代方法。通过利用迁移学习的力量，解决了 RNN 模型中初始化挑战和稀疏数据问题。一个平均场模型产生了代表弹塑性行为的全面数据集。仿真中，使用任意六维应变历史来预测随机行走作为源任务和循环加载条件作为目标任务下的应力。整合子尺度特性增强了 RNN 的多功能性。为了实现准确预测，该模型使用网格搜索方法来调整网络结构和超参数配置。本研究结果表明，迁移学习可用于有效适应不同应变条件的 RNN，从而为编织复合材料中的路径相关响应建模提供了有用工具。

    Nov, 2023

  • 有限应变框架中的率相关和路径相关异质材料的物理循环神经网络

    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

  • 利用神经多项式方法启用符号回归发现可解释的弹塑性模型

    传统的神经网络弹塑性模型缺乏可解释性，本文提出了一个两步机器学习方法，通过符号回归将单变量特征映射转化为可解释的数学模型，从而克服了符号回归算法的缩放问题，并能实现材料属性的自动推导和推理，提高模型的可移植性和人工专家的理解能力。

    Jul, 2023

  • 物理增强神经网络的极度稀疏化方法用于机械学中可解释的模型发现

    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

  • 重访视觉强化学习中的可塑性：数据、模块和训练阶段

    基于神经网络的高性能、高效样本视觉增强强化学习的主要研究领域之一是塑性。本研究通过系统性实证研究揭示了数据增强、评论者的塑性损失、塑性恢复等关键组成部分对塑性的影响，并提出了一种基于评论者塑性水平动态调整回放率来解决高回放率困境的策略，该策略在早期避免了塑性损失，并在后期重用更频繁的情况下提高样本效率。

    Oct, 2023

  • 利用基于物理信息的神经网络学习非线性本构材料模型的解决方案：COMM-PINN

    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

  • 短切纤维 / 聚合物纳米复合材料的热力学一致的基于物理信息的深度学习材料模型

    本文提出了一种基于物理约束的深度学习（PIDL）的本构模型，用于研究不同环境条件下短纤维增强纳米填充环氧的粘弹性 - 粘塑性行为。深度学习模型通过强制施加热力学原理来训练，从而得到一个热力学一致的本构模型。通过将长短期记忆网络与前馈神经网络相结合，预测用于表征纳米复合材料内耗的内部变量。此外，还使用了另一个前馈神经网络来指示自由能函数，从而定义整个系统的热力学状态。PIDL 模型首先针对三维情况进行开发，通过从经典本构模型生成合成数据来训练模型，然后通过从循环加载 - 卸载实验测试中直接提取数据进行训练。数值实例表明，PIDL 模型可以准确预测不同纤维和纳米颗粒体积分数下基于环氧树脂的纳米复合材料在各种湿热条件下的力学行为。

    Mar, 2024

  • 神经机械自编码器：学习将弹性和神经网络非线性耦合

    本文介绍了一种机械智能和形态计算的机器学习模型，使用了可学习的细胞实体材料作为形态物质，以及神经网络控制方法来实现非直观的机械行为，并在仿真和实际测试中验证了此方法的可行性。

    Jan, 2023

  • 一种基于机器学习的水含量环氧纳米复合材料粘弹性 - 粘塑性模型

    本研究提出了一种基于深度学习 (DL) 的本构模型，用于研究含水量的纳米颗粒 / 环氧纳米复合材料的循环粘弹 - 粘塑 - 损伤行为。通过采用抽样技术和扰动方法的组合框架训练长短期记忆网络，使其可以准确捕捉速率依赖的应力应变关系，并且一致的切线形变模量，从而实现 DL 模型的高效计算。此外，将 DL 模型实现到有限元分析中，用于研究加载速率和含水量对纳米颗粒 / 环氧样品力 - 位移响应的影响，数字例子表明，DL 模型的计算效率取决于加载条件，并且比传统的本构模型高得多。此外，将数值结果和实验数据进行比较，可以证明在不同的纳米颗粒和含水量下，数值结果与实验数据具有良好的一致性。

    May, 2023