PulseAugur
中
实时 02:55:49
English(EN) CANN-EUCLID: unsupervised constitutive artificial neural network model discovery from full-field data

新AI方法从全场数据中发现材料模型

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了CANN-EUCLID，一种新颖的无监督方法，可直接从全场数据中发现本构人工神经网络模型。该方法将本构人工神经网络（CANNs）与EUCLID框架相结合，无需局部应力测量或预定义的模型结构即可识别稀疏超弹性定律。该方法在各向同性和各向异性基准测试上进行了评估，证明了当可表示为所选CANN基时，其准确恢复真实定律的能力，以及在其他情况下近似缺失贡献的能力。该框架在可解释的全场本构模型识别方面显示出潜力，特别是对于软生物组织等复杂材料，传统方法在此类材料上面临局限性。 AI

影响 这项研究引入了一种新颖的AI驱动方法来发现材料本构模型，通过实现从实验数据中更准确和可解释的模型识别，有可能加速材料科学和工程领域的研究。

排序理由 该集群包含一篇详细介绍用于材料模型发现的新AI方法的学术论文。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新AI方法从全场数据中发现材料模型

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Benjamin Alheit, Siddhant Kumar, Mathias Peirlinck ·

    CANN-EUCLID: unsupervised constitutive artificial neural network model discovery from full-field data

    arXiv:2606.14565v1 Announce Type: cross Abstract: Constitutive artificial neural networks (CANNs) provide interpretable material model discovery, but have so far been used in stress-supervised settings based on apparent stress-strain data from homogeneous tests. Because each test…

  2. arXiv cs.LG TIER_1 English(EN) · Mathias Peirlinck ·

    CANN-EUCLID: 从全场数据中无监督发现构成式人工神经网络模型

    Constitutive artificial neural networks (CANNs) provide interpretable material model discovery, but have so far been used in stress-supervised settings based on apparent stress-strain data from homogeneous tests. Because each test samples only a narrow loading path and provides h…

相关实体

相关话题