Modeling finite-strain plasticity using physics-informed neural network and assessment of the network performance

有限元法 可塑性 本构方程 人工神经网络 计算机科学 柯西分布 边值问题 稳健性(进化) 应用数学 各向同性 背景(考古学) 数学 数学优化 数学分析 人工智能 结构工程 工程类 物理 基因 热力学 古生物学 生物 化学 量子力学 生物化学
作者
Sijun Niu,Enrui Zhang,Yuri Bazilevs,Vikas Srivastava
出处
期刊:Journal of The Mechanics and Physics of Solids [Elsevier]
卷期号:172: 105177-105177 被引量:14
标识
DOI:10.1016/j.jmps.2022.105177
摘要

Physics-informed neural networks (PINN) can solve partial differential equations (PDEs) by encoding the mathematical information explicitly into the loss functions. In the context of plasticity, discussions of PINN have only focused on small-strain formulations. We present a framework of finite-strain elasto-plasticity for PINN, considering rate-independent isotropic hardening in this work. Details of the model architecture are discussed, including inputs and outputs of the neural network and the construction of the loss function that incorporates equilibrium equations, boundary conditions and constitutive relations. In addition, the overall architecture can learn the constitutive relations from discrete measurements on a stress–strain curve, hence eliminating the need for modeling hardening law in the formulation. We demonstrate the performance of PINN through a numerical example that includes a multi-step loading and unloading history. Moreover, we assess the performance of PINN in terms of its accuracy and robustness under mesh refinement and as a function of the network architecture design. Displacement, Cauchy stress and accumulated plastic strain fields are compared to the finite element results for the same problem for the purposes of this assessment, which is intended to provide insight and guidance for the future designs of PINN for plasticity and related problems in solid mechanics.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
动听的冰海完成签到 ,获得积分10
1秒前
方方完成签到 ,获得积分10
1秒前
机灵的芷波完成签到 ,获得积分10
3秒前
满鑫完成签到,获得积分10
3秒前
wxnice完成签到,获得积分10
4秒前
吱吱发布了新的文献求助10
4秒前
饱满的大碗完成签到 ,获得积分10
5秒前
19秒前
win完成签到 ,获得积分10
20秒前
ruiii完成签到 ,获得积分10
23秒前
MEMSforever发布了新的文献求助30
27秒前
酷波er应助吱吱采纳,获得10
32秒前
小鱼小鱼快快游完成签到 ,获得积分10
34秒前
蜜蜂威士忌完成签到 ,获得积分10
38秒前
bai1完成签到 ,获得积分10
44秒前
爆米花应助wowser采纳,获得10
44秒前
陈麦子完成签到,获得积分10
45秒前
小杨完成签到 ,获得积分10
48秒前
852应助水盒子采纳,获得10
49秒前
薰硝壤应助科研通管家采纳,获得10
53秒前
可爱香芦完成签到 ,获得积分10
1分钟前
黑大侠完成签到 ,获得积分10
1分钟前
璇璇完成签到 ,获得积分10
1分钟前
1分钟前
nano完成签到 ,获得积分10
1分钟前
慕容飞凤完成签到,获得积分10
1分钟前
勤奋千风完成签到 ,获得积分10
1分钟前
philophysics完成签到,获得积分10
1分钟前
Jaja完成签到,获得积分10
1分钟前
wushuimei完成签到 ,获得积分10
1分钟前
tt完成签到 ,获得积分10
1分钟前
1分钟前
Tim完成签到 ,获得积分10
1分钟前
Oct完成签到 ,获得积分10
1分钟前
1分钟前
皮皮球完成签到 ,获得积分10
1分钟前
黄金天下完成签到,获得积分10
1分钟前
北城完成签到 ,获得积分10
1分钟前
llhh2024完成签到,获得积分10
1分钟前
水盒子完成签到,获得积分10
1分钟前
高分求助中
좌파는 어떻게 좌파가 됐나:한국 급진노동운동의 형성과 궤적 2500
Sustainability in Tides Chemistry 1500
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
Cognitive linguistics critical concepts in linguistics 800
Threaded Harmony: A Sustainable Approach to Fashion 799
Livre et militantisme : La Cité éditeur 1958-1967 500
氟盐冷却高温堆非能动余热排出性能及安全分析研究 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3052652
求助须知:如何正确求助?哪些是违规求助? 2709874
关于积分的说明 7418298
捐赠科研通 2354492
什么是DOI,文献DOI怎么找? 1246104
科研通“疑难数据库(出版商)”最低求助积分说明 605951
版权声明 595921