使用带内变量的深度物理引导神经网络预测与解释非线性材料响应
机器学习
2023-08-09 v1 计算物理
摘要
非线性材料通常难以用经典状态模型理论建模，因为它们具有复杂且有时不准确的物理与数学描述，或者我们根本不知如何以外部与内部变量间的关系来描述此类材料。在许多学科中，神经网络方法已成为识别极复杂非线性关联的有力工具。本工作中，我们利用最新发展的带内变量的物理引导神经网络（PGNNIV）概念，以无模型方法并仅使用实测力–位移数据来发现本构定律。PGNNIV 特别地利用问题的物理对特定隐藏层施加约束，并能够在无内变量数据情况下做出预测。我们证明，PGNNIV 能够在未见载荷场景下预测内部与外部变量，无论所考虑材料的性质如何（线性、具有硬化或软化行为以及超弹性），从而揭示材料的本构定律并进而解释其本质，将该法置于所谓可解释人工智能（XAI）之中。
引用
@article{arxiv.2308.03915,
title = {Predicting and explaining nonlinear material response using deep Physically Guided Neural Networks with Internal Variables},
author = {Javier Orera-Echeverria and Jacobo Ayensa-Jiménez and Manuel Doblare},
journal= {arXiv preprint arXiv:2308.03915},
year = {2023}
}
备注
Main text: 25 pages, 6 figures. Appendices: 13 pages, 12 figures