A generalized dual potential for inelastic Constitutive Artificial Neural Networks: A JAX implementation at finite strains

작성자

Haebom

카테고리

비어 있음

저자

Hagen Holthusen, Kevin Linka, Ellen Kuhl, Tim Brepols

개요

본 논문은 비탄성 구성적 인공 신경망(iCANNs)을 위한 일반화된 이중 포텐셜 또는 유사 포텐셜 설계 방법론을 제시한다. 응력 불변량으로 표현되는 이 포텐셜은 큰 변형에 대해 열역학적 일관성을 본질적으로 만족한다. 이전 연구와 비교하여 새로운 포텐셜은 압력 민감성 비탄성을 포함한 더 광범위한 재료 거동을 포착한다. 논문에서는 유한 변형 비탄성을 위한 iCANNs의 기본 열역학적 틀을 재검토하고 볼록하고, 값이 0이며, 비음인 이중 포텐셜을 구성하기 위한 조건을 도출한다. 이러한 원리를 신경망에 포함하기 위해, 열역학적 준수를 사전에 보장하는 아키텍처 설계를 자세히 설명한다. 제안된 아키텍처의 성능과 한계를 평가하기 위해 점탄성 재료 거동을 연구하지만, 이 방법은 점탄성에 국한되지 않는다. 이러한 맥락에서 비탄성 재료를 발견하는 전략의 다양한 측면을 조사한다. 결과는 새로운 아키텍처가 해석 가능한 모델과 매개변수를 강력하게 발견하는 동시에 비탄성의 정도를 자율적으로 드러낸다는 것을 나타낸다. JAX로 구현된 iCANN 프레임워크는 https://doi.org/10.5281/zenodo.14894687 에서 공개적으로 접근할 수 있다.

A generalized dual potential for inelastic Constitutive Artificial Neural Networks: A JAX implementation at finite strains (Source code and data)

This dataset contains the source code the data and examples of the generalized inelastic Constitutive Artificial Neural Network (iCANN) enhanced by a novel network architecture. The corresponding publication is: Holthusen, H., Linka, K., Kuhl, E., Brepols, T. A generalized dual potential for inelastic Constitutive Artificial Neural Networks: A JAX implementation at finite strains JAX implementation activation_functions: Contains the activation functions BaseClasses: The `heart' of our code. Contains the general object-orientated classes to create neural networks and iCANNs build_network: Add contribution of individual iCANNs (parallel connection) config_training: Configuration file for current training options energy: Feed-forward neural network for Helmholtz free energy execute_model_jit: Execute discovered model with specific parameters (weights). Use Just-InTime-Compilation (JIT) for fast evaluation (EXECUTABLE) execute_model: Execute discovered model with specific parameters (weights). No use of JIT (EXECUTABLE) execute_training: Execute training for specific training data based on config_training. Training is specified within runs/ (EXECUTABLE) helpers_material: Helper routines for continuum mechanics helpers: Helper routines to read in data iCANN_explicit: Explicit time integration scheme for iCANN iCANN_impllicit: Implicit time integration scheme for iCANN potential: Feed-forward neural network for dual potential Directories loadings: Contains training and testing files with data results: Contains discovered weights and corresponding losses runs: Specify the config_training file. Execute training for specific example (EXECUTABLE FILES)

doi.org