English(EN) Polyconvex neural-network surrogates with learned paired directional features for anisotropic hyperelastic homogenization

新的神经网络模型具有学习方向特征的超弹性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-12 04:00

研究人员开发了一种新颖的多元凸物理增强神经网络（PANN），称为 PANN，旨在准确高效地模拟代表性体积单元（RVE）的各向异性超弹性响应。这种 PANN 构建利用了学习到的配对方向特征，这些特征会适应 RVE 的特定行为。所得能量固有地满足客观性和多元凸性等力学一致性属性，并且与无约束网络和降阶模型相比，在应力误差和位移误差方面表现出优越的性能，尤其是在训练数据之外。 AI

影响这项研究为复杂的材料建模引入了一种新颖的神经网络架构，有望改进计算物理学中的模拟。

排序理由详细介绍新的计算物理模型的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]

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 →

本文如何被排名

Signal score: 8 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 详细介绍新的计算物理模型的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · S. Ares de Parga, A. Cornejo, J. A. Hern\'andez, R. Rossi · 2026-10-12 04:00

具有学习配对方向特征的凸多面神经网络代理，用于各向异性超弹性均质化

arXiv:2610.12801v1 Announce Type: cross Abstract: Approximating the effective anisotropic hyperelastic response of a representative volume element (RVE) requires constitutive expressiveness, mechanical consistency, and computational efficiency. This work develops a polyconvex phy…

本文如何被排名

报道来源 [1]

具有学习配对方向特征的凸多面神经网络代理，用于各向异性超弹性均质化

相关实体

相关话题