考虑塑性：不弹性恒定人工神经网络的扩展
机器学习
2025-06-10 v2
摘要
本 work 扩展了现有的不弹性恒定人工神经网络（iCANNs）框架，通过引入塑性来增加其建模更复杂材料行为的适用性。该方法确保了目标性、材料对称性和热力学一致性，为在大应变下自动发现恒定方程提供了稳健的基础。通过以 feed-forward 网络的形式发现 Helmholtz 自由能以及屈服函数和演化方程的塑性势的表述来预测这些参数。我们的框架捕捉了线性和非线性运动硬化行为。对该模型预测结果的分析表明，扩展后的iCANNs成功地基于实验和人工生成的数据集预测了线性和非线性运动硬化行为，展示了该框架具有巨大的潜力。尽管如此，在发现带有拉伸压缩不对称性的更复杂屈服准则以及在更大应变下处理实验数据偏差的挑战仍然存在。尽管如此，本文提出的框架为iCANNs中引入塑性提供了有前景的基础，为该领域的自动模型发现工作提供了平台。
引用
@article{arxiv.2407.19326,
title = {Accounting for plasticity: An extension of inelastic Constitutive Artificial Neural Networks},
author = {Birte Boes and Jaan-Willem Simon and Hagen Holthusen},
journal= {arXiv preprint arXiv:2407.19326},
year = {2025}
}
备注
36 pages, 10 figures, 5 tables