精选理由
论文提出无需应力的本构模型发现新方法
本文提出CANN-EUCLID方法，结合可解释的本构人工神经网络（CANN）与无应力监督的全场发现框架EUCLID，从位移场和反作用力中识别稀疏超弹性定律。在各项同性和各向异性基准测试中，当真实法则可由所选CANN基表示时，方法以近乎精确的精度恢复正确项，包括带嵌入参数的指数项。当基不包含真实法则时，方法保留共享项并使用可用基函数近似缺失贡献。泛化能力强烈依赖于采样的变形状态，指数应变硬化项在充分探测时可准确恢复，但在硬化区域外插时会产生较大误差。正向FE验证仿真表明，发现的行为准确复现了真实法则。
AI 翻译 · 中文
本文提出CANN-EUCLID方法，结合可解释的本构人工神经网络（CANN）与无应力监督的全场发现框架EUCLID，从位移场和反作用力中识别稀疏超弹性定律。在各项同性和各向异性基准测试中，当真实法则可由所选CANN基表示时，方法以近乎精确的精度恢复正确项，包括带嵌入参数的指数项。当基不包含真实法则时，方法保留共享项并使用可用基函数近似缺失贡献。泛化能力强烈依赖于采样的变形状态，指数应变硬化项在充分探测时可准确恢复，但在硬化区域外插时会产生较大误差。正向FE验证仿真表明，发现的行为准确复现了真实法则。
Constitutive artificial neural networks (CANNs) provide interpretable material model discovery, but have so far been used in stress-supervised settings based on apparent stress-strain data from homogeneous tests. Because…