一篇新论文使用经典的Treloar数据集对几种用于超弹性的数据驱动本构建模框架进行了基准测试。该研究比较了本构人工神经网络、物理增强神经网络、材料指纹识别和高效无监督本构定律识别与发现。虽然所有方法都表现出强大的拟合性能，但该研究强调了它们各自的优势、局限性以及预测准确性与模型复杂性之间的权衡，为它们的实际应用提供了实用指导。 AI
影响 为材料科学研究中选择和实施数据驱动的本构模型提供了实用指导。
排序理由 该集群包含一篇学术论文，详细介绍了材料科学不同机器学习模型的基准比较。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- Constitutive artificial neural networks
- Efficient Unsupervised Constitutive Law Identification & Discovery
- Material Fingerprinting: Understanding how differences in geology impact metallurgical plant performance
- Physics-Augmented Neural Networks
- Treloar
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
