自动可微模型更新 (ADiMU)：包含时序依赖性的常规、混合与神经网络材料模型发现
数值分析
2025-05-13 v1 机器学习
数值分析
计算物理
摘要
我们提出首个自动可微模型更新 (ADiMU) 框架，用于从位移全场数据和全局力数据（全局、间接发现）或从应变-应力数据（局部、直接发现）中发现任何时序依赖性材料模型。我们展示 ADiMU 能够更新常规（基于物理的）、神经网络（数据驱动）和混合材料模型。此框架无需微调超参数或额外量，除非用户选定的材料模型架构和优化器本身所需。ADiMU 的鲁棒性和通用性通过更新跨数十至数百万参数的不同模型，在局部和全局发现设置中得到充分验证。该实现依赖于完全可微代码，算法采用向量化映射，使通过高效批量执行共享计算图实现时序依赖性自动微分成为可能。此工作还旨在促进未来材料模型架构的集成、评估和应用，通过开放源代码方式向研究社区提供支持。因此，ADiMU 作为开源计算工具，集成于精心设计并经过文档化的软件 HookeAI 中。
引用
@article{arxiv.2505.07801,
title = {Automatically Differentiable Model Updating (ADiMU): conventional, hybrid, and neural network material model discovery including history-dependency},
author = {Bernardo P. Ferreira and Miguel A. Bessa},
journal= {arXiv preprint arXiv:2505.07801},
year = {2025}
}
备注
77 pages, 50 figures