面向大变形孔弹性问题的多本构神经网络
机器学习
2024-06-13 v4 地球物理
摘要
本文研究利用深度神经网络（DNN）求解孔弹性中的大应变固结问题。给定不同材料属性与不同加载条件，目标是预测孔隙压力与沉降。我们提出一种新方法“多本构神经网络”（MCNN），使得一个模型可求解若干不同本构定律。我们引入一个 one-hot 编码向量作为附加输入向量，用于标记待求解的本构定律。随后构建一个以 及本构定律标签为输入并输出相应解的 DNN。据我们所知，这是首次仅通过一次训练过程即可评估多种本构定律且仍获得良好精度。我们发现，在某些情形下，经训练求解多个 PDE 的 MCNN 优于按 PDE 训练的单个神经网络求解器。
引用
@article{arxiv.2010.15549,
title = {Multi-Constitutive Neural Network for Large Deformation Poromechanics Problem},
author = {Qi Zhang and Yilin Chen and Ziyi Yang and Eric Darve},
journal= {arXiv preprint arXiv:2010.15549},
year = {2024}
}
备注
Camera-ready (final) paper of the Third Workshop on Machine Learning and the Physical Sciences (NeurIPS 2020), Vancouver. Add more figures despite the workshop is closed