ترجمه فارسی مقاله HyperCAN: مدل‌های ساختاری پارامتری عمیق مبتنی بر ابرشبکه برای متامتریال‌ها

چکیده

We introduce HyperCAN, a machine learning framework that utilizes hypernetworks to construct adaptable constitutive artificial neural networks for a wide range of beam-based metamaterials exhibiting diverse mechanical behavior under finite deformations. HyperCAN integrates an input convex network that models the nonlinear stress-strain map of a truss lattice, while ensuring adherence to fundamental mechanics principles, along with a hypernetwork that dynamically adjusts the parameters of the convex network as a function of the lattice topology and geometry. This unified framework demonstrates robust generalization in predicting the mechanical behavior of previously unseen metamaterial designs and loading scenarios well beyond the training domain. We show how HyperCAN can be integrated into multiscale simulations to accurately capture the highly nonlinear responses of large-scale truss metamaterials, closely matching fully resolved simulations while significantly reducing computational costs. This offers new efficient opportunities for the multiscale design and optimization of truss metamaterials.

چکیده به فارسی (ترجمه ماشینی)

ما Hypercan را معرفی می کنیم ، یک چارچوب یادگیری ماشین که از Hypernetworks برای ساخت شبکه های عصبی مصنوعی سازگار برای طیف گسترده ای از متامیارهای مبتنی بر پرتو که دارای رفتار مکانیکی متنوع تحت تغییر شکل های محدود هستند ، استفاده می کند.Hypercan یک شبکه محدب ورودی را ادغام می کند که نقشه استرس غیرخطی یک مشبک خرپایی را مدل می کند ، ضمن اطمینان از پیروی از اصول مکانیک اساسی ، همراه با یک کار بیش از حد که به صورت پویا پارامترهای شبکه محدب را به عنوان تابعی از توپولوژی و هندسه شبکه تنظیم می کند.این چارچوب یکپارچه ، تعمیم قوی را در پیش بینی رفتار مکانیکی طرح های متامادی که قبلاً دیده نشده و سناریوهای بارگیری بسیار فراتر از حوزه آموزش است ، نشان می دهد.ما نشان می دهیم که چگونه Hypercan می تواند در شبیه سازی های چند مقیاس ادغام شود تا به طور دقیق پاسخ های بسیار غیرخطی از متامال های خرپا در مقیاس بزرگ را ضبط کند ، و شبیه سازی های کاملاً حل شده را از نزدیک تطبیق دهد و در عین حال هزینه های محاسباتی را به میزان قابل توجهی کاهش می دهد.این فرصت های کارآمد جدید برای طراحی چند مقیاس و بهینه سازی متاماد خرپا را ارائه می دهد.