Нейросеть восстанавливает функцию текучести материалов по данным смещений
Исследователи из международной группы предложили физически информированный подход для автоматического обнаружения функций текучести в пластичности. Метод основан на выпуклом нейронном представлении и не требует прямых измерений напряжений, пластических деформаций или заданной параметрической формы функции.
Традиционно идентификация анизотропных функций текучести затруднена из-за того, что текучесть не наблюдается напрямую в полномасштабных механических измерениях. Калибровка по направлениям требует многих испытаний, а выбор аналитической формы нетривиален. Новая работа обходит эти ограничения.
Предложенная структура идентифицирует функцию текучести как механически ограниченный конститутивный компонент внутри интегрирования упругопластических напряжений, а не через прямое обучение в пространстве напряжений. Функция представлена выпуклой нейронной сетью, которая обеспечивает выпуклость и положительную однородность первой степени, а также наложенную симметрию растяжения-сжатия.
Нейросеть обучается с помощью дифференцируемого обновления напряжений и физически информированного штрафа за равновесие сил по нескольким случаям нагружения. Валидация проводилась на конечно-элементных моделях с известными функциями текучести фон Мизеса, Hill 1948 и Yld2000-2d.
Результаты показали хорошее согласие контуров текучести, устойчивость к шуму в смещениях, идентифицируемость по пластически активным состояниям напряжений, а также оценку эпистемической неопределенности. Дополнительно исследователи развернули полиномиальную суррогатную модель для ускорения вычислений.
Разработка открывает путь к автоматическому определению анизотропных свойств материалов по данным о смещениях и силах, сохраняя идентифицированный компонент в структуре упругопластического интегрирования. Это может упростить калибровку сложных материалов, используемых в авиации, автомобилестроении и других отраслях.
