基于物理增强的机器学习发现用于3D打印数字材料的构成相关本构律

多材料3D打印，特别是通过聚合物喷墨，使得可以通过在单个构建中在微米尺度上混合不同光固化聚合物来制造具有可调机械性能的数字材料。本 work presents 对构成相关机械行为的3D打印数字材料进行集成实验和计算调查。我们对五种配方进行实验表征，将软性和刚性 UV 固化聚合物在单向拉伸和扭转应变和扭转率下进行测试。结果揭示了强烈依赖于配方的非线性和速率依赖性响应。为了建模这种行为，我们开发了一个物理增强神经网络（PANN），该网络将用于学习构成相关超弹性应变能函数的部分输入凸神经网络（pICNN）与准线性粘弹性（QLV）用于时间依赖响应相结合。pICNN 确保应变不变量下的凸性，同时允许对配方的非凸性依赖。为了增强可解释性，我们应用 $L_0$ 稀疏化。对于时间依赖响应，我们引入一个多层感知器（MLP）来预测构成相关的粘弹性松弛参数。该方法能够准确捕捉3D打印数字材料在单向拉伸和扭转中的非线性、速率依赖行为，实现对插值材料配方的高预测精度。这一方法为自动化、构成感知的本构模型发现提供了可扩展的框架。