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
内容提要
本文综述机器学习在材料模型中的研究：采用前馈神经网络构建弹性模型，PODFNN构建塑性模型并用于有限元；利用循环神经网络与迁移学习替代编织复合材料中尺度模拟；通过符号回归提升弹塑性模型可解释性；结合物理约束与正则化实现简约表征；研究损失可塑性并提出动态回放策略；采用物理启发网络处理路径依赖本构；利用层归一化与权重衰减维持可塑性；提出机械智能与形态计算模型；使用长短期记忆网络预测纳米复合材料循环粘弹-粘塑-损伤行为。
延伸解读
机器学习本构模型的可解释性进展
文章指出传统神经网络弹塑性模型缺乏可解释性，但通过符号回归将单变量特征映射转化为可解释数学模型，能自动推导材料属性，提高模型可移植性和专家理解。同时，结合物理约束和L0正则化可实现简约表征，适用于高弹性、屈服函数等数据。这些方法增强了模型的透明度和可信度，为材料建模提供新思路。
迁移学习与循环神经网络在复合材料中的应用
针对编织复合材料中尺度模拟计算密集的问题，文章介绍利用循环神经网络（RNN）作为替代方法，并通过迁移学习解决初始化挑战和稀疏数据问题。使用平均场模型生成弹塑性数据集，以任意六维应变历史预测应力，并通过网格搜索调参。结果表明迁移学习能有效适应不同应变条件，为路径相关响应建模提供工具。
维持神经网络可塑性的技术策略
文章探讨了损失可塑性问题，并提出组合使用层归一化和权重衰减技术，可在非平稳学习任务中维持网络可塑性，实现稳健学习。此外，动态调整回放率的策略能避免早期塑性损失，并在后期提高样本效率。这些方法有助于神经网络在持续学习中保持性能，处理非稳态数据流。
物理启发与深度学习在复杂材料行为预测中的融合
文章提到物理启发神经网络可解决非线性、路径依赖性本构关系，满足热力学约束，并能即时提供材料状态信息。同时，基于深度学习的本构模型用于纳米复合材料循环粘弹-粘塑-损伤行为研究，通过长短期记忆网络准确捕捉速率依赖的应力应变关系，并实现高效有限元分析，数值结果与实验数据一致。
Q&A
机器学习在材料本构建模中有哪些主要应用方向？
文章综述了机器学习在材料本构建模中的多个应用方向，包括：采用前馈神经网络构建弹性模型，PODFNN构建塑性模型并用于有限元分析；利用循环神经网络与迁移学习替代编织复合材料中尺度模拟；通过符号回归提升弹塑性模型可解释性；结合物理约束与正则化实现简约表征；研究损失可塑性并提出动态回放策略；采用物理启发网络处理路径依赖本构；利用层归一化与权重衰减维持可塑性；提出机械智能与形态计算模型；使用长短期记忆网络预测纳米复合材料循环粘弹-粘塑-损伤行为。
如何将机器学习材料模型应用于有限元分析？
文章提出了一种基于机器学习的材料模型框架，其中弹性模型采用前馈神经网络直接建立，塑性模型采用PODFNN建立，处理多维组合多轴应变应力数据。通过数值算例展示了将机器学习材料模型应用于有限元分析的有效性和普适性。
迁移学习如何帮助循环神经网络建模编织复合材料的路径相关响应？
文章介绍了循环神经网络（RNN）作为计算密集型中尺度模拟编织复合材料的替代方法。通过利用迁移学习，解决了RNN模型中初始化挑战和稀疏数据问题。使用平均场模型生成代表弹塑性行为的全面数据集，并以任意六维应变历史预测随机行走（源任务）和循环加载条件（目标任务）下的应力。整合子尺度特性增强了RNN的多功能性。采用网格搜索方法调整网络结构和超参数配置。结果表明，迁移学习可用于有效适应不同应变条件的RNN，为编织复合材料中的路径相关响应建模提供了有用工具。
如何提高神经网络弹塑性模型的可解释性？
文章提出了一个两步机器学习方法，通过符号回归将单变量特征映射转化为可解释的数学模型，从而克服了符号回归算法的缩放问题，并能实现材料属性的自动推导和推理，提高模型的可移植性和人工专家的理解能力。此外，利用神经网络的数据驱动本构模型，在加入物理和机制约束的同时，通过训练及l0正则化的方法，实现了可解释性和可信赖性的简约化表征，适用于可压缩与不可压缩高弹性、屈服函数和强化模型的合成和实验数据。
在强化学习中，如何解决损失可塑性问题？
文章通过系统性实证研究揭示了数据增强、评论者的塑性损失、塑性恢复等关键组成部分对塑性的影响，并提出了一种基于评论者塑性水平动态调整回放率来解决高回放率困境的策略，该策略在早期避免了塑性损失，并在后期重用更频繁的情况下提高样本效率。此外，通过组合使用层归一化和权重衰减技术，可以在各种非平稳学习任务中有效地维持网络的可塑性，从而实现高度稳健的学习算法。通过将L2正则化引入损失函数实现的L2 Init方法，在持续学习中保持可塑性，处理非稳态数据流时有效，减少参数大小并维持高的特征级别。
物理启发式神经网络如何用于路径依赖材料本构关系？
文章应用了物理启发式神经网络来解决非线性、路径依赖性材料行为的本构关系，该模型除了满足所有热力学约束条件外，还能够在不需要初始数据的情况下即时提供有关当前材料状态的信息，并提供了降低正切算子所需导数阶数的策略。
如何利用深度学习预测纳米复合材料的循环粘弹-粘塑-损伤行为？
文章提出了一种基于深度学习（DL）的本构模型，用于研究含水量的纳米颗粒/环氧纳米复合材料的循环粘弹-粘塑-损伤行为。通过采用抽样技术和扰动方法的组合框架训练长短期记忆网络，使其可以准确捕捉速率依赖的应力应变关系，并且一致的切线形变模量，从而实现DL模型的高效计算。此外，将DL模型实现到有限元分析中，用于研究加载速率和含水量对纳米颗粒/环氧样品力-位移响应的影响，数字例子表明，DL模型的计算效率取决于加载条件，并且比传统的本构模型高得多。此外，将数值结果和实验数据进行比较，可以证明在不同的纳米颗粒和含水量下，数值结果与实验数据具有良好的一致性。
