.png){kind=icon}
返回
Mixing Data-Driven and Physics-Based Constitutive Models Using Uncertainty-Driven Phase Fields
.png){kind=icon}
OA
AI
DOI：10.1002/nme.70162.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
对利用数据驱动代理建模技术加速多尺度模型存在浓厚兴趣。创建涵盖所有相关载荷场景的大型训练数据集对于构建良好的代理模型至关重要，但生成该数据的计算成本很快成为限制因素。通常，在整个计算域中使用预训练的代理模型。我们介绍了一种替代的自适应混合方法，该方法在可能的情况下使用快速概率代理模型作为本构模型，但在必要时退回到真实高保真模型。因此，代理模型无需对每种可能的载荷条件都准确，从而显著减少了数据收集时间。我们通过在计算域中创建对应于不同模型的相区来实现这一点。这些相区通过由代理模型不确定性驱动的相场模型进行演化。当代理模型不确定性增大时，相场模型会导致从代理模型到高保真模型的局部转换，保持高度精确的模拟。我们讨论了准确性和数值稳定性的要求，并将相场模型与一种不强制相混合空间平滑性的局部方法进行了比较。通过使用高斯过程代理模型对弹塑性材料进行建模，我们展示了这种模型混合在加速多尺度模拟方面的潜力。
Keyword:
adaptive modeling
Gaussian Process
phase field
surrogate modeling
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:
2.9
论文数:
487
被引数:
2.2W
机构
引用论文
“Dolfinx_Materials: A Python Package for Advanced Material Modelling,”“Dolfinx_Materials：一个用于高级材料建模的Python软件包，”.png)
IF0
PREAI
分享收藏FEANN: an efficient data-driven multiscale approach based on physics-constrained neural networks and automated data miningFEANN: 一种基于物理约束神经网络和自动数据挖掘的高效数据驱动多尺度方法
OAAI
OAAI分享收藏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A line search assisted monolithic approach for phase-field computing of brittle fracture脆性断裂相场计算的线搜索辅助整体方法
PREAI
分享收藏
查看更多内容