PulseAugur
中
实时 09:44:22
English(EN) Finite Element-Based Material Learning via Automatic Differentiation: Learning constitutive neural network models from full-field deformation data

新框架使用神经网络和自动微分学习材料模型

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了 FE-MAD，一个将本构神经网络与 JAX-FEM 非线性求解器集成的创新框架。该端到端可微分系统使用自动微分计算梯度，从而能够从全场变形数据中高效学习材料模型。该框架已成功应用于超弹性问题，从各种实验数据集中识别材料属性并泛化到未见过的数据。 AI

影响 该框架通过实现从实验数据中更有效地学习复杂的本构模型，有可能加速新材料的发现和设计。

排序理由 这是一篇详细介绍用于材料学习的新计算框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Matthias Knipper, Chenyi Ji, Malte Brand, Kevin Linka ·

    基于有限元的材料学习与自动微分：从全场变形数据中学习本构神经网络模型

    arXiv:2606.05199v1 Announce Type: cross Abstract: The identification of constitutive neural network models from heterogeneous full-field deformation data provides a robust alternative to traditional calibration methods based on homogeneous stress-strain experiments, particularly …

相关话题