深度神经网络用于不确定应力函数及其在冲击力学中的扩展
材料科学
2023-12-21 v2 机器学习
摘要
应力-应变曲线,或更一般地,应力函数,是材料力学性质极为重要的表征。然而,应力函数往往难以推导,且狭隘地适用于特定材料。此外,大变形、高应变率、温度敏感性以及材料参数的影响使建模挑战更复杂。我们提出一种广义深度神经网络方法,将应力建模为具有分位数回归以捕获不确定性的状态函数。我们使用随机微分方程将这些模型扩展到单轴冲击力学,以展示用例并提供实现此种不确定性感知应力函数的框架。我们提供了实验,将我们的方法与领先的本构、机器学习和迁移学习方法在公开可用和新呈现的数据集上针对应力和冲击力学建模进行基准比较。我们还提供了一个框架,用于在多个竞争冲击情景下优化材料参数。
引用
@article{arxiv.2311.16135,
title = {Use of Deep Neural Networks for Uncertain Stress Functions with Extensions to Impact Mechanics},
author = {Garrett Blum and Ryan Doris and Diego Klabjan and Horacio Espinosa and Ron Szalkowski},
journal= {arXiv preprint arXiv:2311.16135},
year = {2023}
}
备注
Index Terms: Stress, Uncertainty, Impact Mechanics, Deep Learning, Neural Network. 10 pages, 9 figures, 6 tables