近场动力学神经算子：一种用于复杂材料响应的数据驱动非局部本构模型
材料科学
2024-01-12 v1 机器学习
摘要
神经算子可以作为隐式控制方程的隐式解算子，最近已成为学习复杂真实物理系统响应的流行工具。然而，迄今为止大多数神经算子的应用都是数据驱动的，并忽略了数据中基本物理定律的内在保持。在这项工作中，我们引入了一种新颖的积分神经算子架构，称为近场动力学神经算子（PNO），它从数据中学习非局部本构律。该神经算子提供了一个基于状态的近场动力学形式的前向模型，并自动保证了客观性和动量平衡定律。作为应用，我们从合成数据集和实验数据集中展示了我们的模型在学习复杂材料行为方面的表现力和有效性。我们表明，由于其捕获复杂响应的能力，我们学习到的神经算子与使用预定义本构律的基线模型相比，实现了更高的精度和效率。此外，通过在神经网络架构中保持基本的物理定律，PNO 在处理噪声数据时具有鲁棒性。该方法展示了对于不同域配置、外部载荷和离散化的泛化能力。
引用
@article{arxiv.2401.06070,
title = {Peridynamic Neural Operators: A Data-Driven Nonlocal Constitutive Model for Complex Material Responses},
author = {Siavash Jafarzadeh and Stewart Silling and Ning Liu and Zhongqiang Zhang and Yue Yu},
journal= {arXiv preprint arXiv:2401.06070},
year = {2024}
}