.png){kind=icon}
返回
A physics-informed deep learning framework for inversion and surrogate modeling in solid mechanics
.png){kind=icon}
PRE
AI
DOI：10.1016/j.cma.2021.113741.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出了一类深度学习的应用，称为物理通知神经网络 (PINN)，用于固体力学中的反演和替代建模。我们解释了如何将动量平衡和本构关系纳入PINN，并详细探讨了线性弹性的应用，并通过一个展示von Mises弹塑性的示例说明了其对非线性问题的扩展。虽然常见的PINN算法基于训练一个深度神经网络 (DNN)，但我们提出了一种多网络模型，可以更准确地表示场变量。为了验证模型，我们在从分析和数值参考解决方案生成的合成数据上测试框架。我们研究了PINN模型的收敛性，并表明与经典的低阶有限元方法 (FEM) 相比，等几何分析 (IGA) 具有更高的精度和收敛特性。我们还展示了迁移学习框架的适用性，并在网络重新训练期间发现了大大加速的收敛。最后，我们发现，尊重物理学可以提高鲁棒性: 当仅对几个参数进行训练时，我们发现PINN模型可以准确地预测网络中新的各种参数的解决方案-因此指出了该框架在灵敏度分析和代理建模中的重要应用。版权所有 © 2021爱思唯尔有限公司。保留一切权利。
Keyword:
Artificial neural network
Physics-informed deep learning
Inversion
Transfer learning
Linear elasticity
Elastoplasticity
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
7.3
论文数:
1.3W
被引数:
5.6W
机构
引用论文
.png){kind=icon}
Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架
OAAI
OAAI分享收藏
查看更多内容