ترجمه فارسی مقاله یادگیری رفتار مواد سازگار با فیزیک بدون دانش قبلی

چکیده

Accurately modeling the mechanical behavior of materials is crucial for numerous engineering applications. The quality of these models depends directly on the accuracy of the constitutive law that defines the stress-strain relation. Discovering these constitutive material laws remains a significant challenge, in particular when only material deformation data is available. To address this challenge, unsupervised machine learning methods have been proposed. However, existing approaches have several limitations: they either fail to ensure that the learned constitutive relations are consistent with physical principles, or they rely on a predefined library of constitutive relations or manually crafted input features. These dependencies require significant expertise and specialized domain knowledge. Here, we introduce a machine learning approach called uLED, which overcomes the limitations by using the input convex neural network (ICNN) as the surrogate constitutive model. We improve the optimization strategy for training ICNN, allowing it to be trained end-to-end using direct strain invariants as input across various materials. Furthermore, we utilize the nodal force equilibrium at the internal domain as the training objective, which enables us to learn the constitutive relation solely from temporal displacement recordings. We validate the effectiveness of the proposed method on a diverse range of material laws. We demonstrate that it is robust to a significant level of noise and that it converges to the ground truth with increasing data resolution. We also show that the model can be effectively trained using a displacement field from a subdomain of the test specimen and that the learned constitutive relation from one material sample is transferable to other samples with different geometries. The developed methodology provides an effective tool for discovering constitutive relations.

چکیده به فارسی (ترجمه ماشینی)

مدل سازی دقیق رفتار مکانیکی مواد برای بسیاری از برنامه های مهندسی بسیار مهم است.کیفیت این مدل ها به طور مستقیم به صحت قانون سازنده بستگی دارد که رابطه استرس را تعریف می کند.کشف این قوانین مادی سازنده همچنان یک چالش مهم است ، به ویژه هنگامی که فقط داده های تغییر شکل مواد در دسترس هستند.برای پرداختن به این چالش ، روشهای یادگیری دستگاه بدون نظارت ارائه شده است.با این حال ، رویکردهای موجود محدودیت های مختلفی دارند: آنها یا اطمینان حاصل نمی کنند که روابط سازنده آموخته شده با اصول فیزیکی سازگار است ، یا به یک کتابخانه از پیش تعریف شده از روابط سازنده یا ویژگی های ورودی دستی متکی هستند.این وابستگی ها به تخصص قابل توجهی و دانش دامنه تخصصی نیاز دارند.در اینجا ، ما یک رویکرد یادگیری ماشین به نام ULED را معرفی می کنیم که با استفاده از شبکه عصبی ورودی محدب (ICNN) به عنوان مدل سازنده جانشین بر محدودیت ها غلبه می کند.ما استراتژی بهینه سازی را برای آموزش ICNN بهبود می بخشیم ، و این امکان را می دهد تا با استفاده از متغیرهای کرنش مستقیم به عنوان ورودی در مواد مختلف ، به پایان برسد.علاوه بر این ، ما از تعادل نیروی گره در حوزه داخلی به عنوان هدف آموزش استفاده می کنیم ، که به ما امکان می دهد رابطه سازنده را صرفاً از ضبط های جابجایی زمانی بیاموزیم.ما اثربخشی روش پیشنهادی را در طیف متنوعی از قوانین مادی تأیید می کنیم.ما نشان می دهیم که در سطح قابل توجهی از سر و صدا قوی است و با افزایش وضوح داده به حقیقت زمین همگرا می شود.ما همچنین نشان می دهیم که این مدل با استفاده از یک میدان جابجایی از زیر دامنه نمونه آزمایش می تواند به طور مؤثر آموزش داده شود و رابطه سازنده آموخته شده از یک نمونه ماده به نمونه های دیگر با هندسه های مختلف قابل انتقال است.روش توسعه یافته ابزاری مؤثر برای کشف روابط سازنده فراهم می کند.