基于全场数据的神经黏弹性模型标定

摘要

提出无监督学习框架，用全场数据标定小应变黏弹性的物理增强神经网络（PANN）。训练只需实验可直接测得的整体反作用力和表面位移。PANN嵌入广义标准材料理论，用两个标量势保证热力学一致，基于不变量的自由能和对偶耗散势表示保证材料对称性。对平面应力薄试样，结合平衡间隙法、拟牛顿优化器和自动微分求解约束优化问题；离面应变由平面应力条件得出，内变量演化采用隐式时间积分，局部牛顿迭代求解方程组。损失梯度用反向伴随方法计算，而非反向传播所有牛顿迭代步骤。合成数据（含噪声位移和力）验证显示，在广泛变形速率和加载路径下吻合良好。