物理增强的参数化多凸超弹性神经网络
摘要：神经网络是应用于构建参数化超弹性本构模型的方法。这些模型通过设计满足超弹性的常见力学条件。我们采用了部分输入凸神经网络(pICNN)架构，基于前馈神经网络实现。pICNN接收两组不同的输入参数，在其中一组参数中它们是凸的，而对于另一组参数，它们表示的是任意的关系，不一定是凸的。通过这种方式，模型可以满足来自力学考虑的凸性条件，而对额外参数的功能关系没有太多限制，这些参数不一定是凸的。我们提出了两个不同的模型，一个可以表示额外参数中的任意功能关系，而另一个在额外参数中是单调的。作为概念验证，我们将模型校准到由两个不同参数化的解析势函数生成的数据，并研究了三种不同的pICNN架构。在所有情况下，所提出的模型表现出优异的性能。
作者：Dominik K. Klein, Fabian J. Roth, Iman Valizadeh, Oliver Weeger
论文ID：2307.03463
分类：Computational Engineering, Finance, and Science
分类简称：cs.CE
提交时间：2023-07-10