ترجمه فارسی مقاله رگرسیون پراکنده برای کشف مدلهای سازنده از اندازه گیری برشی نوسان

چکیده

We propose sparse regression as an alternative to neural networks for the discovery of parsimonious constitutive models (CMs) from oscillatory shear experiments. Symmetry and frame-invariance are strictly imposed by using tensor basis functions to isolate and describe unknown nonlinear terms in the CMs. We generate synthetic experimental data using the Giesekus and Phan-Thien Tanner CMs, and consider two different scenarios. In the complete information scenario, we assume that the shear stress, along with the first and second normal stress differences, is measured. This leads to a sparse linear regression problem that can be solved efficiently using $l_1$ regularization. In the partial information scenario, we assume that only shear stress data is available. This leads to a more challenging sparse nonlinear regression problem, for which we propose a greedy two-stage algorithm. In both scenarios, the proposed methods fit and interpolate the training data remarkably well. Predictions of the inferred CMs extrapolate satisfactorily beyond the range of training data for oscillatory shear. They also extrapolate reasonably well to flow conditions like startup of steady and uniaxial extension that are not used in the identification of CMs. We discuss ramifications for experimental design, potential algorithmic improvements, and implications of the non-uniqueness of CMs inferred from partial information.

چکیده به فارسی (ترجمه ماشینی)

ما رگرسیون پراکنده را به عنوان جایگزینی برای شبکه های عصبی برای کشف مدل های سازنده پارسا (CMS) از آزمایش های برشی نوسان پیشنهاد می کنیم.تقارن و تنوع فریم با استفاده از توابع پایه تانسور برای جداسازی و توصیف اصطلاحات غیرخطی ناشناخته در CMS به شدت تحمیل می شود.ما داده های تجربی مصنوعی را با استفاده از CMS Giesekus و Phan-Thien Tanner تولید می کنیم و دو سناریوی مختلف را در نظر می گیریم.در سناریوی کامل اطلاعات ، فرض می کنیم که استرس برشی ، همراه با اختلاف استرس طبیعی اول و دوم ، اندازه گیری می شود.این منجر به یک مشکل رگرسیون خطی پراکنده می شود که می توان با استفاده از تنظیم مجدد $ L_1 $ به طور مؤثر حل کرد.در سناریوی اطلاعات جزئی ، فرض می کنیم که فقط داده های استرس برشی در دسترس است.این منجر به یک مشکل رگرسیون غیرخطی پراکنده تر چالش برانگیز می شود ، که برای آن ما یک الگوریتم دو مرحله ای حریص را پیشنهاد می کنیم.در هر دو سناریو ، روشهای پیشنهادی داده های آموزش را به خوبی متناسب و درون یابی می کنند.پیش بینی CMS استنباط شده به طور رضایت بخش فراتر از طیف وسیعی از داده های آموزش برای برشی نوسان است.آنها همچنین به خوبی به خوبی به شرایط جریان مانند راه اندازی پسوند پایدار و یک محوره که در شناسایی CMS استفاده نمی شود ، به خوبی برون یابی می کنند.ما در مورد نتایج برای طراحی آزمایشی ، پیشرفت های بالقوه الگوریتمی و پیامدهای عدم یکنواختی CMS استنباط شده از اطلاعات جزئی بحث می کنیم.