ترجمه فارسی مقاله DeepNetBeam: چارچوبی برای تحلیل تیرهای متخلخل مدرج تابعی

چکیده

This study investigates different Scientific Machine Learning (SciML) approaches for the analysis of functionally graded (FG) porous beams and compares them under a new framework. The beam material properties are assumed to vary as an arbitrary continuous function. The methods consider the output of a neural network/operator as an approximation to the displacement fields and derive the equations governing beam behavior based on the continuum formulation. The methods are implemented in the framework and formulated by three approaches: (a) the vector approach leads to a Physics-Informed Neural Network (PINN), (b) the energy approach brings about the Deep Energy Method (DEM), and (c) the data-driven approach, which results in a class of Neural Operator methods. Finally, a neural operator has been trained to predict the response of the porous beam with functionally graded material under any porosity distribution pattern and any arbitrary traction condition. The results are validated with analytical and numerical reference solutions. The data and code accompanying this manuscript will be publicly available at https://github.com/eshaghi-ms/DeepNetBeam.

چکیده به فارسی (ترجمه ماشینی)

این مطالعه به بررسی رویکردهای مختلف یادگیری ماشین علمی (SCIML) برای تجزیه و تحلیل پرتوهای متخلخل درجه بندی شده (FG) و مقایسه آنها در یک چارچوب جدید می پردازد.فرض بر این است که خاصیت مواد پرتو به عنوان یک عملکرد مداوم دلخواه متفاوت است.این روشها خروجی یک شبکه/اپراتور عصبی را به عنوان تقریب در قسمتهای جابجایی می دانند و معادلات حاکم بر رفتار پرتو را بر اساس فرمولاسیون پیوسته استخراج می کنند.این روشها در چارچوب اجرا شده و با سه رویکرد تدوین شده است: (الف) رویکرد بردار منجر به یک شبکه عصبی آگاهانه فیزیک (PINN) ، (ب) رویکرد انرژی می شود که روش انرژی عمیق (DEM) و (c)) رویکرد داده محور ، که منجر به یک کلاس از روش های اپراتور عصبی می شود.سرانجام ، یک اپراتور عصبی برای پیش بینی پاسخ پرتوی متخلخل با مواد درجه بندی شده تحت هر الگوی توزیع تخلخل و هر شرایط کشش دلخواه آموزش دیده است.نتایج با راه حل های مرجع تحلیلی و عددی تأیید می شود.داده ها و کد همراه با این نسخه خطی در https://github.com/eshaghi-ms/deepnetbeam در دسترس عموم خواهد بود.