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

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

该研究论文提出了一种使用物理信息循环神经网络对多自由度(MDOF)系统的动态响应进行评估的新方法，重点是评估非线性结构的地震响应，并将预测响应与有限元分析等先进方法进行比较，以评估物理信息循环神经网络模型的有效性。

Aug, 2023

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

该论文介绍了一种用于模拟弹性基础上横梁动力学的新方法。通过在因果关系尊重的物理信息神经网络（PINN）框架内采用迁移学习方法来模拟Winkler基础上的Euler-Bernoulli和Timoshenko梁模型，有效地捕捉了潜在的物理特征，以加快收敛并确保在不同情境下获得准确结果。该方法在Euler-Bernoulli梁的数值实验中表现出了显著的效果，并展示了在较大时空范围内应用于Timoshenko梁的潜力，在标准$L^2$-norm度量和加速收敛方面优于最先进的物理信息方法。

Nov, 2023

该研究论文介绍了一种将科学原理和物理定律融入深度神经网络的新型物理信息机器学习（PiML）方法，用于建模非线性结构的地震响应，并通过模型降阶、长短期记忆网络（LSTM）和牛顿第二定律等特性，使模型具有相对稀疏数据的训练能力，同时提高了模型的准确性、可解释性和鲁棒性。

Feb, 2024

为了开发更快速解决固体力学中的物理方程的求解器，我们引入了一种参数化学习力学平衡解的方法，该方法在计算成本方面优于传统方法，同时可接受地保持准确性。此方法具体应用于微机械学，在微观结构中知道微观力学解，即给定异质微结构的变形和应力场，非常重要。我们的研究表明，基于物理的训练方法在未知微结构上相较于纯数据驱动方法具有更高的准确性。

Mar, 2024

GADEM是一种物理信息深度学习框架，适用于解决不同几何形状的结构力学问题，通过弱形式和几何感知框架将几何信息整合到深度学习模型中，提高了准确性和计算成本。

May, 2024

该论文介绍了一种针对复杂系统和多输入函数的先进物理信息DeepONet模型，通过引入非线性解码器、课程学习和域分解等架构增强和有效训练策略，该模型在高维设计空间中具有显著提高的准确性，比基本物理信息DeepONet模型提升了两个数量级。它在广泛的设计空间中具有零样本预测能力，成为加速复合材料工艺设计和优化的强大工具，在其他工程领域具有强非线性特征的应用具有潜在的应用价值。

Jun, 2024

本研究解决了Bouc-Wen类模型参数估计的效率问题，提出了一种模块化的深度学习加载协议。该协议通过构建最优加载历史和基于CNN的快速参数估计，显著减少了总分析时间，同时保持或提高了估计精度，可扩展至其他滞回模型。

Nov, 2024