基于单轴实验的有限应变弹塑性本构模型自动发现

本构建模是力学的核心，它使我们能够在给定的力学环境下将材料的应变映射为应力。历史上，研究人员依赖于现象学建模，通过实验和曲线拟合推导出简单的数学关系。近年来，为了自动化本构建模过程，基于神经网络的数据驱动方法已被探索。虽然最初的朴素方法违反了既定的力学原理，但最近的努力集中在设计将物理和力学假设融入基于机器学习的本构模型的神经网络架构上。对于历史相关材料，这些模型迄今为止主要局限于小应变公式。在这项工作中，我们基于热力学势开发了一个有限应变塑性公式，以模拟混合的各向同性和运动硬化。然后，我们利用物理增强神经网络来自动发现基于单轴实验的热力学一致有限应变弹塑性本构模型。我们将该框架应用于合成数据和实验数据，展示了其捕捉循环单轴加载下复杂材料行为的能力。此外，我们表明，神经网络增强模型比传统现象学模型更容易训练，因为它对不同的初始种子不太敏感。我们的模型在训练集之外的泛化能力强调了其鲁棒性和预测能力。通过自动化硬化模型的发现，我们的方法消除了用户偏差，并确保所得的本构模型符合热力学原理，从而提供了一个更系统且基于物理的框架。