Data-Driven Discrete-Continuum Method for Partially Saturated Micro-Polar Porous Media
Data-Driven Discrete-Continuum Method for Partially Saturated Micro-Polar Porous Media
复制标题
部分饱和微极性多孔介质的数据驱动离散连续方法
DOI：
10.1061/9780784480779.070
复制
发表时间：
2017
期刊：
影响因子：
--
通讯作者：
Sun, WaiChing
中科院分区：
文献类型：
--
作者：
Wang, Kun;Sun, WaiChing
我们提出了混合数据驱动的方法来模拟流体渗透的多孔介质中的跨长度尺度的多物理过程。与通常使用数据驱动模型代替固体本构关系的单一物理问题不同，流体力学问题往往会导致物理量之间更复杂的层次关系，这反过来又会使数据驱动求解器的设计复杂化。当使用人工神经网络时，当约束和规则，如材料框架冷漠，不能在不人工扩展训练数据集的情况下显式实施时，可能会出现额外的问题。在这项工作中，我们引入了一种基于组件的策略，在该策略中，多物理问题被视为一个有向图，一个由表示物理量的相互连接的顶点组成的网络。该策略通过考虑数据之间的不同层次关系，使建模人员能够将数据驱动模型与传统的数学表达方法相结合。根据数据的可用性，数据驱动模型和数学模型的混合可能采取不同的形式。为了有效地加强物质框架无关性，我们使用谱分解通过李代数来处理不变项和自旋项。
We present hybrid data-driven approach to model multi-physical process in fluid-infiltrating porous media across length scales. Unlike single-physical problems where data-driven model is often used as a replacement of the solid constitutive law, a hydro-mechanical problem often leads to more complex hierarchical relations among physical quantities which in return complicate the design of the data-driven solver. When artificial neural network is used, additional issues may arise when constraints and rules, such as material frame indifference, cannot be explicitly enforced without artificially expanding the training dataset. In this work, we introduce a component-based strategy in which a multiphysical problem is viewed as a directed graph, a network consisting of inter-connected vertices representing physical quantities. This strategy enables modelers to couple data-driven model with conventional math-ematical expression methods by considering different hierarchical relations among data. Depending on the availability of data, hybridization of data-driven and mathematical models may take different forms. To enforce material frame indifference efficiently, we employ spectral decomposition to handle the invariant and spin terms via Lie algebra.
登录
查看更多内容
DOI：
10.1061/(asce)em.1943-7889.0001005
发表时间：
2017-03
期刊：
Journal of Engineering Mechanics-asce
影响因子：
--
作者：
Kun Wang;WaiChing Sun
通讯作者：
Kun Wang;WaiChing Sun
DOI：
10.1016/j.cma.2017.01.017
发表时间：
2017-05
影响因子：
7.2
作者：
Kun Wang;WaiChing Sun
通讯作者：
Kun Wang;WaiChing Sun
影响因子：
4.1
作者：
A. Mota;WaiChing Sun;J. Ostien;J. W. Foulk;K. Long
通讯作者：
K. Long
DOI：
10.1615/intjmultcompeng.2016016841
发表时间：
2016
影响因子：
1.4
作者：
Kun Wang;WaiChing Sun;S. Salager;S. Na;Ghonwa Khaddour
通讯作者：
Kun Wang;WaiChing Sun;S. Salager;S. Na;Ghonwa Khaddour