Polyconvex neural networks for hyperelastic constitutive models: A rectification approach
Polyconvex neural networks for hyperelastic constitutive models: A rectification approach
复制标题
用于超弹性本构模型的多凸神经网络：一种校正方法
DOI：
10.1016/j.mechrescom.2022.103993
复制
发表时间：
2022
影响因子：
2.4
通讯作者：
Guilleminot, Johann
中科院分区：
文献类型：
--
作者：
Chen, Peiyi;Guilleminot, Johann
提出了一种修正超弹性本构模型中无约束神经网络的简单方法，其目的是确保数学适定性(根据存在定理)和物理一致性。代理涉及神经网络，通过选择适当的参数化，遵循连续介质力学中的标准结果，并通过积分表示强制多凸性，使神经网络成为可接受的。通过考虑各向同性和各向异性材料的数字合成和实验数据集，包括软生物组织的情况，证明了该公式的相关性。
A simple approach to rectify unconstrained neural networks for hyperelastic constitutive models is proposed with the aim of ensuring both mathematical well-posedness (in terms of existence theorems) and physical consistency. The surrogate involves neural networks that are made admissible by selecting a proper parameterization, following standard results in continuum mechanics, and by enforcing polyconvexity through integral representations. The relevance of the formulation is demonstrated by considering digitally synthesized and experimental datasets for isotropic and anisotropic materials, including the case of soft biological tissues.
登录
查看更多内容
各向异性非线性弹性中的空间相关材料不确定性：随机建模、识别和传播
影响因子：
7.2
作者：
Chen, Peiyi;Guilleminot, Johann
通讯作者：
Guilleminot, Johann
各向异性应变能函数的随机场模型及其在血管力学不确定性量化中的应用
影响因子：
7.2
作者：
Staber, B.;Guilleminot, J.
通讯作者：
Guilleminot, J.
DOI：
10.1002/nme.6957
发表时间：
2022-03-07
影响因子：
2.9
作者：
As'ad, Faisal;Avery, Philip;Farhat, Charbel
通讯作者：
Farhat, Charbel
影响因子：
5.3
作者：
V. Ebbing;J. Schröder;P. Neff
通讯作者：
P. Neff
DOI：
10.1098/rsif.2021.0411
发表时间：
2021-09
期刊：
Journal of the Royal Society, Interface
影响因子：
--
作者：
Holzapfel GA;Linka K;Sherifova S;Cyron CJ
通讯作者：
Cyron CJ