基于参数化的神经网络：预测复合材料的非线性应力-应变响应
摘要：预测高应力集中的复杂内部微结构对复合材料（如合成泡沫）的力学响应是一个具有挑战性的问题。本文提出了一种称为参数化神经网络（PBNN）的新型神经网络框架，通过该训练好的神经网络模型，将复合材料的微观结构与非线性应力-应变曲线关联起来。PBNN将应力-应变曲线表示为参数化函数，以减小预测的规模，并预测不同合成泡沫微结构的函数参数。与本文中考虑的几种常见基线模型相比，结果显示PBNN能够准确地预测非线性应力-应变响应和相应的参数化函数，且使用更小的数据集。这得益于从几何数据中提取高级特征，并通过辅助术语预测来调整预测的响应。尽管建立在对合成泡沫复合材料的压缩响应预测的基础上，我们的神经网络框架适用于预测具有内部微结构的异质材料的一般非线性响应。因此，我们的新颖PBNN有望在不同的机器学习方法中启发更多的参数化相关研究。
作者：Haotian Feng and Pavana Prabhakar
论文ID：2212.12840
分类：Applied Physics
分类简称：physics.app-ph
提交时间：2023-05-16