多凸神经网络代理用于各向异性超弹性均匀化

1. 12:00
   arXiv · Machine Learning

   学习成对方向特征的多凸神经网络代理模型用于各向异性超弹性均匀化

   研究提出带物理约束的多凸神经网络（PANN），通过学习成对方向特征近似代表性体积单元的各向异性超弹性响应，并以 ICNN 或 ICKAN 构建凸核心。两个周期单元的结果显示，首个单元的应力误差降低至原来的七分之一，六个特征已足够；受约束模型在应力误差和拉伸试样 FE² 位移误差上均低于 1%。这些约束保障了数据外的稳定性，但受约束模型在数据内的精度低于无约束模型及 HPROM。

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。