BriefGPT - AI 论文速递
·
基于混合数据驱动和物理信息的正则化学习循环塑性与神经网络
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
该研究提出了一种简单高效的机器学习方法来表示循环塑性并替代传统材料模型，该方法具有可扩展性和可解释性。经验证和测试，证明了该方法的高精度和稳定性。
🎯
关键要点
- 提出了一种可扩展、高效且可解释的机器学习方法来表示循环塑性。
- 该方法替代了基于径向返回映射算法的传统材料模型。
- 通过实现物理信息正规化和背应力信息，提升了模型的精度和稳定性。
- 模型结构相对现有解决方案更简单、更高效，能够表示完整的三维材料模型。
- 采用Armstrong-Frederick运动硬化模型获得的替代数据进行了验证。
- 均方误差被作为损失函数，规定了多个限制条件。
- 详细展示了模拟多个载荷情况的数值测试，并进行了准确性和稳定性的验证。
➡️
