一种物理引导的神经算子学习方法：从数字图像相关测量建模生物组织
机器学习
2022-04-04 v1 材料科学
组织与器官
摘要
我们提出了一种生物组织建模的数据驱动工作流，旨在基于数字图像相关(DIC)测量预测在未见加载场景下的位移场，而不假设特定的本构模型形式，也不具备材料微观结构的知识。为此，我们从猪三尖瓣前叶的多个双轴拉伸协议的DIC位移跟踪测量构建材料数据库，并用其构建神经算子学习模型。材料响应被建模为从加载到所得位移场的解算子，材料微观结构属性从数据中隐式学习并自然嵌入网络参数中。使用加载协议的各种组合，我们将该框架的预测性与基于现象学Fung型模型的有限元分析进行比较。在分布内测试中，我们的方法的预测性对不同加载条件表现出良好的泛化能力，并以大约一个数量级优于传统本构建模。当在分布外加载比率上测试时，神经算子学习方法效果较差。为了提高我们框架的泛化能力，我们通过施加部分物理知识提出了一种物理引导的神经算子学习模型。该方法被证明在小变形区域改善了模型的外推性能。我们的结果表明，在足够的数据覆盖和/或部分物理约束的指导下，数据驱动方法可以比传统本构建模更有效地建模生物材料。
引用
@article{arxiv.2204.00205,
title = {A Physics-Guided Neural Operator Learning Approach to Model Biological Tissues from Digital Image Correlation Measurements},
author = {Huaiqian You and Quinn Zhang and Colton J. Ross and Chung-Hao Lee and Ming-Chen Hsu and Yue Yu},
journal= {arXiv preprint arXiv:2204.00205},
year = {2022}
}