通过自动可微弹塑性拓扑优化设计试样，以从单轴拉伸试验中训练路径依赖的深度学习材料模型：激发应变多样性
计算物理
2025-12-18 v1 数值分析
数值分析
摘要
人工神经网络能够准确学习非线性、路径依赖的材料行为。然而，训练它们通常需要大规模、多样化的数据集，通常通过合成单胞模拟生成。这阻碍了实际应用，因为对具有简单几何形状的标准试样进行物理实验无法生成足够多样的应力-应变轨迹。因此，需要进行大量实验或复杂的多轴试验。本工作表明，通过设计一种新型自动可微弹塑性拓扑优化方法，可以从承受简单单轴加载的单个试样中训练此类网络。我们的策略在涉及塑性变形的单次测试中多样化应力-应变状态。然后我们采用自动可微模型更新（ADiMU）方法来训练神经网络代理。本工作表明，拓扑优化试样在简单加载下可以训练大型神经网络，从而大幅减少数据驱动材料建模相关的实验负担。
引用
@article{arxiv.2512.14963,
title = {Design of a specimen to train path-dependent deep learning material models from a single uniaxial test: eliciting strain diversity via automatically differentiable elastoplastic topology optimization},
author = {Shunyu Yin and Bernardo P. Ferreira and Gawel Kus and Miguel A. Bessa},
journal= {arXiv preprint arXiv:2512.14963},
year = {2025}
}
备注
26 pages, 18 figures