利用物理信息神经网络辨识复杂超弹性材料的本构参数
材料科学
2024-06-25 v4 机器学习
摘要
在工程与生物材料中辨识本构参数，尤其是具有复杂几何与力学行为的材料，仍是一项长期挑战。物理信息神经网络（PINNs）的近期出现提供了有前景的方案，但现有框架常局限于基础本构定律，且在与实验数据结合时遭遇实际约束。本文中，我们引入一种鲁棒的基于 PINN 的框架，旨在平面应力大变形条件下辨识软材料（特别是表现复杂本构行为者）的材料参数。独特地，我们的模型强调以由全场变形与加载历史组成的多模态合成实验数据集训练 PINN，确保算法即便在含噪数据下也具鲁棒性。结果显示，PINN 框架能准确辨识具有复杂几何样本的非压缩 Arruda-Boyce 模型本构参数，即便在 5% 实验噪声水平下仍保持误差低于 5%。我们相信该框架为复杂固体（尤具几何与本构复杂性者）提供了鲁棒的模量辨识途径。
引用
@article{arxiv.2308.15640,
title = {Identifying Constitutive Parameters for Complex Hyperelastic Materials using Physics-Informed Neural Networks},
author = {Siyuan Song and Hanxun Jin},
journal= {arXiv preprint arXiv:2308.15640},
year = {2024}
}
备注
28 pages, 5 figures, 1 table