基于物理增强机器学习的粘弹性粘附赫兹接触拉脱力预测
材料科学
2025-05-21 v2 计算物理
摘要
理解和预测粘弹性赫兹接触的粘附特性对于机器人学、生物力学和先进材料设计等多种工程应用至关重要。赫兹压头从粘弹性基底卸载时的最大粘附力已通过解析和数值模型进行了研究。解析模型在其假设范围内有效，数值方法提供精度但计算成本可能很高，因此需要替代解决方案。本研究引入了一种新颖的物理增强机器学习（PA-ML）框架作为混合方法，弥合了解析模型与数据驱动解决方案之间的差距，能够快速预测从宽带粘弹性材料卸载的赫兹轮廓的拉脱力，该预测涉及变化的Tabor参数、预载荷和回缩速率。与之前的模型相比，PA-ML方法在广泛的条件下提供了快速而准确的预测，正确预测了有效表面能和拉脱功。解析模型的集成为PA-ML框架提供了关键指导，支持物理上一致的预测。我们证明，物理增强提高了预测精度，降低了均方误差，同时提高了模型效率和可解释性。我们提供了数据驱动和PA-ML模型，用于实时预测硅胶和弹性体等软材料的粘附力，为将PA-ML集成到材料和界面设计中开辟了可能性。这些模型在Zenodo和GitHub上公开可用。
引用
@article{arxiv.2505.11685,
title = {Pull-off force prediction in viscoelastic adhesive Hertzian contact by physics augmented machine learning},
author = {Ali Maghami and Merten Stender and Antonio Papangelo},
journal= {arXiv preprint arXiv:2505.11685},
year = {2025}
}