一种强大的、符合热力学原理的核学习框架,用于基于知识密集型方法发现路径依赖型的本构模型
《ADVANCED ENGINEERING INFORMATICS》:A robust thermodynamically consistent kernel learning framework for knowledge-intensive discovery of path-dependent constitutive models
【字体:
大
中
小
】
时间:2026年06月28日
来源:ADVANCED ENGINEERING INFORMATICS 11.5
编辑推荐:
岳辽|环罗摘要从实验数据中驱动发现路径依赖的本构模型是计算力学领域中一项知识密集型挑战,尤其是当现实世界的应力-应变数据存在噪声和异常值时。这类数据缺陷给物理信息神经网络和长短期记忆网络等缺乏内在鲁棒性机制的方法带来了巨大困难。为解决这一问题,本文提出了一种鲁棒降阶核学习框架,以
岳辽|环罗
摘要
从实验数据中驱动发现路径依赖的本构模型是计算力学领域中一项知识密集型挑战,尤其是当现实世界的应力-应变数据存在噪声和异常值时。这类数据缺陷给物理信息神经网络和长短期记忆网络等缺乏内在鲁棒性机制的方法带来了巨大困难。为解决这一问题,本文提出了一种鲁棒降阶核学习框架,以在数据严重污染的情况下实现热力学一致性的知识密集型本构建模。该框架包含四项创新:(1)降阶地标近似,可将计算复杂度从降低到,以及,再到,在存在高达40%的异常值污染的极端情况下,所有测试场景均保持了热力学一致性。尤为重要的是,RROKL具备出色的外推能力,能够准确预测超出训练范围2.5倍应变幅值下的应力响应,而基于LSTM的模型则无法给出可靠预测,所有测试的外推案例均出现负的值。由于无需依赖特定材料的先验知识即可自动从含噪数据中提取知识,这项工作为计算力学领域的工程信息学应用奠定了稳健且可扩展的基础,有助于在土木、机械和材料工程等领域的知识密集型任务中实现可靠的数据驱动决策。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号