PulseAugur
中
实时 07:42:10
English(EN) Interval and fuzzy physics-augmented neural networks (iPANN and fPANN) for uncertainty quantification and propagation in constitutive modeling

新型神经网络解决力学模拟中的不确定性问题

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了新的神经网络模型 iPANN 和 fPANN，旨在处理力学模拟本构建模中的不确定性。这些模型旨在量化和传播不确定性，尤其是在处理稀疏或嘈杂的应力-变形数据时。iPANN 为自由能密度分支建立界限，而 fPANN 将这些界限整合到模糊集表示中。两种模型都包含基于物理的约束，并使用迁移学习方法进行训练，证明了它们能够包含嘈杂的观测值并泛化到新数据。 AI

影响 这些模型提供了一种物理一致的方法来量化和传播力学模拟中的不确定性，有望提高工程应用的可靠性。

排序理由 该集群包含一篇详细介绍新研究方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新型神经网络解决力学模拟中的不确定性问题

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Somesh Pratap Singh, Govinda Anantha Padmanabha, Jingye Tan, Steven Yang, Reese E. Jones, D. Thomas Seidl, Nikolaos Bouklas ·

    用于本构建模中不确定性量化和传播的区间和模糊物理增强神经网络（iPANN 和 fPANN）

    arXiv:2607.20339v1 Announce Type: new Abstract: Constitutive modeling under uncertainty remains a central challenge for reliable mechanics simulations, particularly when the available stress-deformation data are sparse, noisy, or heterogeneous. We propose interval and fuzzy physi…

相关话题