用于识别固体力学中材料属性的物理信息神经网络的有效数据采样策略与边界条件约束

材料识别对于理解力学性能与相关力学功能之间的关系至关重要。然而，材料识别是一项具有挑战性的任务，尤其是当材料特性本质上是高度非线性时，这在生物组织中很常见。在这项工作中，我们通过物理信息神经网络（PINNs）识别连续介质固体力学中的未知材料属性。为了提高PINNs的准确性和效率，我们开发了非均匀采样观测数据的有效策略。我们还研究了将狄利克雷边界条件作为软约束或硬约束施加的不同方法。最后，我们将所提出的方法应用于一系列跨越线弹性和超弹性材料空间的、与时间相关和与时间无关的固体力学实例。估计的材料参数实现了小于1%的相对误差。因此，这项工作与多种应用相关，包括优化结构完整性和开发新型材料。