面向热-粘弹塑性行为建模与检测的物理增强神经网络框架

虽然为开发等温、速率无关塑性模型而投入了大量关注，但许多高风险性能评估涉及产生大量热量的粘弹塑性过程。此外，材料在这些过程中可能从近似等温、速率无关的范式转变为黏性、取决温度的范式，这使得建模更加具有挑战性。本文发展一种基于物理原理的物理增强神经网络（PANN）框架，用于建模一般温度依赖、速率依赖的非弹性过程，包括热力学第二定律和坐标等变性。通过在输入凸且基于势的神经普通微分方程框架的结构和训练中实现多项架构创新，嵌入了上述物理属性。所得神经网络模型能够表示从等温、速率无关的弹塑现象到速率依赖的完全黏性非弹性行为的广泛范围，文中进行了演示。我们还展示了该框架在校准应力-温度观测数据时，能够建模复杂的微观结构非弹性性质并预测塑性功转化为热量的能力。