基于物理信息神经网络利用全场数据标定本构模型
机器学习
2022-04-01 v1
摘要
利用全场实验数据标定固体本构模型是一个长期存在的挑战，尤其在发生大变形的材料中。本文提出一种物理信息深度学习框架，用于在给定全场位移数据与全局力-位移数据时发现本构模型参数化形式。与本领域近期多数文献相反，我们采用控制方程的弱形式而非强形式来对本构神经网络预测施加物理约束。本文方法计算高效，适用于不规则几何区域，并且可直接摄入位移数据而无需插值到计算网格。我们考虑了一系列适用于不同材料类的典型超弹性材料模型作为示例，包括分别作为一般超弹性行为、具锁定的聚合物行为及可压缩泡沫行为代表的 Neo-Hookean、Gent 和 Blatz-Ko 本构模型。我们证明物理信息机器学习是一项赋能技术，并可能改变利用全场实验数据标定有限变形下本构模型的范式。
引用
@article{arxiv.2203.16577,
title = {Calibrating constitutive models with full-field data via physics informed neural networks},
author = {Craig M. Hamel and Kevin N. Long and Sharlotte L. B. Kramer},
journal= {arXiv preprint arXiv:2203.16577},
year = {2022}
}