每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

广义不变量与本构神经网络的结合：超弹性材料的新框架

Created by
  • Haebom

作者

德尼萨·马尔托诺夫(Denisa Martonov)、阿兰·戈里利 (Alain Goriely)、艾伦·库尔 (Ellen Kuhl)

大纲

本文提出了一种新颖的数据驱动框架，用于同时发现各向同性不可压缩超弹性材料的合适不变量和本构模型。该方法采用一种直接从实验观测到的一类广义不变量中识别最合适的不变量及其对应的应变能函数的方法。与依赖于固定不变量选择或顺序拟合程序的现有方法不同，我们的方法将发现过程集成到单个神经网络架构中。通过考虑一组连续的不变量，它可以灵活地适应不同的材料行为。我们使用现有的橡胶和脑组织基准数据集证明了该方法的有效性。对于橡胶，我们恢复了一个与现有模型一致的拉伸主导公式；而对于脑组织，我们识别了一个对小拉伸敏感的公式，从而捕捉了软生物材料的非线性剪切响应特性。与现有模型和基于神经网络的模型相比，我们提高了在各种应变范围内的预测精度和可解释性。这种集成策略为超弹性材料中自动化且具有物理意义的模型发现提供了一个强大的工具。

Takeaways, Limitations

•
Takeaways：
◦
一种用于超弹性建模的新型数据驱动框架：同时不变选择和本构模型确定。
◦
利用基于神经网络的集成方法克服现有方法（固定不变选择、顺序拟合）的局限性。
◦
为各种材料（橡胶、脑组织）提供更高的预测准确性和可解释性。
◦
可以自动发现具有物理意义的模型。
•
Limitations：
◦
需要进一步研究来确定所提出的框架的通用性及其可应用的材料范围。
◦
依赖于实验数据的质量。
◦
需要进一步考虑神经网络模型的复杂性和可解释性。
👍
Made with Slashpage