颗粒介质的材料模型参数识别方法基于深度学习
摘要：经典物理建模与关联的数值模拟（基于模型）以及基于大量数据分析的预测方法（数据驱动）是用于映射复杂物理过程的两种常用方法。近年来，这些方法的高效组合变得越来越重要。连续介质力学的核心是由守恒方程组成的，除了总是需要指定流程条件之外，它还可以通过现象学材料模型进行补充。后者是一种理想化的材料行为图像，可以通过实验、经验和大量专家知识来确定。材料越复杂，校准越困难。这种情况为本文中在连续介质力学中映射复杂物理过程的混合数据驱动和基于模型的方法提供了起点。具体而言，我们使用MESHFREE软件生成的数据来训练基于主成分分析的神经网络（PCA-NN），用于材料模型参数的参数识别任务。所得结果突显了深度学习驱动的混合模型对于确定参数的潜力，而这些参数是表征自然材料及其在工业应用中（例如车辆与沙土的相互作用）中使用的关键。
作者：Derick Nganyu Tanyu, Isabel Michel, Andreas Rademacher, J"org Kuhnert, Peter Maass
论文ID：2307.04166
分类：Computational Engineering, Finance, and Science
分类简称：cs.CE
提交时间：2023-07-11