基于 Physics Informed Neural Network Architecture 的多材料构件结构梁束的位移幅度预测
人工智能
2025-01-08 v1 材料科学
计算工程、金融与科学
机器学习
神经与进化计算
摘要
本文提出了一种创新方法，用于预测构件结构梁的变形，将 Physics-Informed Neural Networks（PINNs）与有限元分析相结合。对基于 FCC 结构的梁体进行了深入研究，研究了五种不同材料（结构钢、AA6061、AA7075、Ti6Al4V 和 Inconel 718）在不同边缘荷载（1000-10000 N）下的行为。PINN 模型通过专属损失函数将数据驱动学习与物理约束相结合，预测精度显著高于线性回归。PINN 在 R 平方（0.7923 vs 0.5686）和误差指标（MSE: 0.00017417 vs 0.00036187）方面均优于线性回归。在所研究的材料中，AA6061 的位移灵敏度最高（最大荷载下为 0.1014 mm），而 Inconel718 的结构稳定性更佳。
引用
@article{arxiv.2501.03254,
title = {Advanced Displacement Magnitude Prediction in Multi-Material Architected Lattice Structure Beams Using Physics Informed Neural Network Architecture},
author = {Akshansh Mishra},
journal= {arXiv preprint arXiv:2501.03254},
year = {2025}
}
备注
34 pages, 19 figures