一种针对材料多尺度建模和地质力学宏元派生的POD-TANN方法

物理信息神经网络（PINN）在固体力学中应用，通过多网络模型结合动量平衡和本构关系，提高了场量变量的准确性。

模型通过合成数据测试，显示出在准确性和收敛性方面优于传统有限元法。

利用物理导向神经网络，基于测量的力位移数据进行训练，实现对非线性材料的预测，增强了可解释人工智能的能力。

新框架用于识别软材料的本构参数，确保算法在嘈杂数据中仍能保持高准确性。

提出的混合神经网络和物理框架在弹塑性和断裂模拟中展现出强大的计算效率。

结合微观力学模型和机器学习技术，展示了如何同化复杂微观结构的非线性行为，显著降低计算成本。

引入基于张量的特征表示材料对称性，扩展了智能本构法的能力，适用于多种神经网络架构。

采用图神经网络（GNN）进行多尺度建模，能够有效预测微观应变并提高宏观应力-应变路径的准确性。

开发的参数化学习方法在固体力学中求解物理方程时，计算成本低于传统方法，且保持了较高的准确性。

基于混合物理的数据驱动代理模型，利用嵌入神经网络中的物理知识进行异质材料的微观分析，显著加速了计算过程。