基于物理信息神经网络从全场位移数据进行材料模型标定
机器学习
2023-06-14 v2
摘要
本构模型中材料参数的识别在实践中有广泛应用。其中一项应用是监测与评估基础设施建筑的实际状况，因为材料参数直接反映结构抵御外部冲击的阻力。物理信息神经网络（PINNs）近来已成为求解反问题的合适方法。该方法的优势在于可直接纳入观测数据。与基于网格的方法（如最小二乘有限元方法（LS-FEM））不同，其不需要计算网格且无需对数据进行插值。在当前工作中，我们以线弹性为例，提出利用现实场景下全场位移与全局力数据通过PINNs标定本构模型。我们表明条件化与优化问题的重构在实际应用中起关键作用。因此，除其他外，我们从初始估计识别材料参数并平衡损失函数中的各项。为降低所识别材料参数对位移近似中局部误差的依赖性，我们的识别不基于应力边界条件，而是基于内功与外功的全局平衡。我们证明增强的PINNs能够从实验一维数据与合成全场位移数据在现实场景中识别材料参数。由于例如数字图像相关（DIC）系统测量的位移数据含噪，我们额外研究了方法对不同噪声水平的鲁棒性。
引用
@article{arxiv.2212.07723,
title = {Physics-Informed Neural Networks for Material Model Calibration from Full-Field Displacement Data},
author = {David Anton and Henning Wessels},
journal= {arXiv preprint arXiv:2212.07723},
year = {2023}
}