用于本构建模的神经网络——从通用函数逼近器到先进模型及物理知识的融合
材料科学
2023-08-07 v2 计算物理
摘要
分析和建模材料的本构行为是材料科学的核心领域，也是进行以材料行为起核心作用的数值模拟的先决条件。本构模型自19世纪初开始发展，并仍在持续发展中。除了基于物理动机和唯象的模型外，在过去的几十年里，本构建模领域因基于机器学习的本构模型的发展而得到丰富，特别是通过使用神经网络。后者是本次综述的重点，旨在从方法论角度概述基于神经网络的本构模型。该综述总结并比较了众多概念上不同的基于神经网络的方法，包括用作通用函数逼近器的神经网络、先进的神经网络模型以及集成了物理知识的神经网络方法。这些方法的出现反过来又与计算机科学领域的进展密切相关，这进一步为本次综述增添了时间维度。我们在本综述论文结尾提出了本构关系学习领域近期需要解决的重要挑战。
引用
@article{arxiv.2302.14397,
title = {Neural Networks for Constitutive Modeling -- From Universal Function Approximators to Advanced Models and the Integration of Physics},
author = {Johannes Dornheim and Lukas Morand and Hemanth Janarthanam Nallani and Dirk Helm},
journal= {arXiv preprint arXiv:2302.14397},
year = {2023}
}