利用物理增强型神经网络恢复 Mullins 损伤超弹性行为
计算物理
2024-11-21 v1
摘要
本工作旨在开发一种用于建模不可压缩超弹性行为的神经网络，特别是带有各向异性损伤的 Mullins 效应。通过使用前馈神经网络，并特别关注网络架构以满足各种物理限制（如客观性、凸性、非负性、材料对称性和热力学一致性），实现了该目标。结果是一个紧凑的神经网络，仅包含少量参数，能够重建具有 Mullins 类型损伤的超弹性行为。该网络使用人工生成的平面应力数据进行训练，甚至能够在更复杂的加载条件下正确捕捉完整的三维行为。能量和应力响应均正确捕获，损伤的演化亦获准确再现。最终得到的神经网络可无缝集成到广泛使用的仿真软件中。提供了实现细节，所有数值示例均在 Abaqus 中完成。
引用
@article{arxiv.2411.13185,
title = {Recovering Mullins damage hyperelastic behaviour with physics augmented neural networks},
author = {Martin Zlatić and Marko Čanađija},
journal= {arXiv preprint arXiv:2411.13185},
year = {2024}
}