基于热力学一致的机器学习内状态变量方法用于路径相关材料的数据驱动建模
数值分析
2022-08-23 v1 计算工程、金融与科学
机器学习
数值分析
摘要
由于难以表述控制路径相关行为的数学表达式和内状态变量（ISVs），用唯象模型表征和建模复杂材料的路径相关行为仍然具有挑战性。数据驱动的机器学习模型，如深度神经网络和循环神经网络（RNNs），已成为可行的替代方案。然而，纯粹的黑箱数据驱动模型在不考虑底层物理的情况下将输入映射到输出，其泛化性能不稳定且不准确。本研究提出了一种基于可测材料状态的、用于路径相关材料的机器学习物理知情数据驱动本构建模方法。所提出的数据驱动本构模型在设计时考虑了普适热力学原理，其中对材料路径依赖性至关重要的ISVs从RNNs的隐藏状态中自动推断。描述数据驱动机器学习ISVs演化的RNN遵循热力学第二定律。为了增强RNN模型的鲁棒性和准确性，在模型训练中引入了随机性。研究了RNN历史步数、内状态维度、模型复杂度和应变增量对模型性能的影响。通过使用实验应力-应变数据对循环剪切荷载下土体材料行为建模，评估了所提方法的有效性。
引用
@article{arxiv.2205.00578,
title = {Thermodynamically Consistent Machine-Learned Internal State Variable Approach for Data-Driven Modeling of Path-Dependent Materials},
author = {Xiaolong He and Jiun-Shyan Chen},
journal= {arXiv preprint arXiv:2205.00578},
year = {2022}
}