增强的物理信息神经网络用于超弹性
摘要：基于物理信息的神经网络（Physics-informed neural networks）日益受到关注。具体而言，它们用来解决控制多种物理现象的偏微分方程。然而，基于物理信息的神经网络模型存在一些问题，并且在许多场景下无法提供准确的解决方案。我们讨论了一些挑战以及可以用来解决这些问题的技术，例如使用傅里叶变换。本文提出并发展了一个基于物理信息的神经网络模型，它结合了强形式的残差和势能，产生了多个损失项来定义需要最小化的损失函数。因此，我们建议使用变异系数加权方案来动态和自适应地为损失函数中的每个损失项分配权重。开发的基于物理信息的神经网络模型是独立且无网格的。换句话说，它可以在不需要任何标记数据的情况下准确捕捉机械响应。尽管该框架可以应用于许多固体力学问题，但我们重点关注三维（3D）超弹性，其中考虑了两个超弹性模型。一旦模型训练完成，可以在任何空间坐标点几乎立即获取其响应。我们通过解决具有不同边界条件的不同问题来展示该框架的性能。
作者：Diab W. Abueidda, Seid Koric, Erman Guleryuz, Nahil A. Sobh
论文ID：2205.14148
分类：Computational Engineering, Finance, and Science
分类简称：cs.CE
提交时间：2022-11-29