用于经典弹塑性代理建模的物理信息深度神经网络
机器学习
2022-04-27 v1 计算工程、金融与科学
摘要
在这项工作中，我们提出了一种能够高效逼近经典弹塑性本构关系的深度神经网络架构。该网络融入了经典弹塑性的关键物理方面，包括应变加性分解为弹性与塑性部分，以及非线性增量弹性。这导出了一个在此命名为弹塑性神经网络（EPNN）的物理信息神经网络（PINN）代理模型。详细分析表明，将这些物理嵌入神经网络架构有助于以更少的训练数据实现更高效的网络训练，同时增强对训练数据外加载工况的外推能力。EPNN的架构与模型和材料无关，即它可适用于广泛的弹塑性材料类型，包括岩土材料和金属；并且实验数据有可能直接用于训练网络。为证明所提架构的鲁棒性，我们将其通用框架适配于砂土的弹塑性行为。我们使用基于相对先进的基于剪胀性的颗粒材料本构模型从物质点模拟生成的合成数据来训练神经网络。通过预测具有不同初始密度的砂土未见的应变控制加载路径，探讨了EPNN相对于常规神经网络架构的优越性。
引用
@article{arxiv.2204.12088,
title = {A physics-informed deep neural network for surrogate modeling in classical elasto-plasticity},
author = {Mahdad Eghbalian and Mehdi Pouragha and Richard Wan},
journal= {arXiv preprint arXiv:2204.12088},
year = {2022}
}
备注
53 pages, 30 figures, preprint submitted to Elsevier