NN-EVP：基于物理信息的神经网络弹塑性框架，用于大变形下的颗粒尺寸感知流动响应预测
摘要：基于物理信息的神经网络弹塑性（NN-EVP）本构建模框架，用于预测金属的流动响应与基础颗粒尺寸的关系。所开发的NN-EVP算法基于输入凸神经网络，以严格强制热力学一致性，并允许从有限数据中进行模型发现的高表达性。它利用了PyTorch高性能库中的最先进的机器学习工具，提供了一个灵活的、数据驱动的、自动本构建模型工具。为了测试该框架的性能，我们使用基于幂律模型和小应变时的现象学硬化来生成合成应力应变曲线，并在训练数据范围之外对训练模型进行了测试。接下来，我们使用从单轴变形中获得的实验测量流动响应来训练框架，在大塑性变形下。最终，通过训练流动响应作为颗粒尺寸的函数，发现了与颗粒尺寸强化相对应的霍尔-彼彻关系，并实现了有效的外推。本研究成功地将神经网络整合到弹塑性本构定律中，提供了一个强大的自动化框架，用于本构模型发现，可以高效地进行泛化，并提供了关于金属和金属合金在大塑性变形下的流动响应和颗粒尺寸-性能关系的预测见解。
作者：Adnan Eghtesad, Jan Niklas Fuhg, Nikolaos Bouklas
论文ID：2307.04301
分类：Computational Engineering, Finance, and Science
分类简称：cs.CE
提交时间：2023-07-11