跳到主要内容
返回时间线
arXiv来源发表:

少样本也能学出一族超弹性本构:分层贝叶斯PANN把试件差异与测量噪声分开

核心概要

分层贝叶斯物理增强神经网络(PANN)把同一材料多个试件的本构律当作一个总体来学:所有试件共享网络学到的多凸特征,每个试件只用自己的幅值和特征份额描述,总体均值与协方差、测量噪声在同一后验中联合推断。合成总体上,它从少量试件恢复总体并比三种已发表方法更可靠地预测新试件;在Treloar橡胶与健康、动脉瘤主动脉上达到确定性PANN的精度,且没有把任何主动脉试件以高置信度分到错误队列,但对未测曲线的预测偏窄。

Source-provided article image: Hierarchical Bayesian physics-augmented neural networks for populations of hyperelastic laws: specimen variability and uncertainty from scarce, noisy data
arXiv

深度剖析

同一材料的试件之间本构律不同,而通常只能测到少数几个试件;新模型把每个试件的律看作从一个总体中抽出的样本,而不是把所有测量合并成一条平均律。 此前的合并拟合把试件之间的差异归给测量噪声或平均律的不确定性,两者都不能描述一个新试件。 在已知真值的合成总体上,从少量试件学到的总体在能量距离、覆盖率和带宽三项指标上优于高斯CANN、贝叶斯CANN和基于扩散模型的方法,直到试件数达到十二个时高斯CANN才在覆盖率和带宽上追平。

每个试件只由两个可解释的量刻画:一个正幅值决定应力水平,一组和为1的正份额决定各特征对律形状的贡献。 所有试件共享隐藏层学到的多凸特征,因此部分测试的试件可以借用其他试件的数据来确定这些特征。 特征、各试件坐标、总体和单独的测量噪声通过变分推断在一个后验中联合推断;在健康与动脉瘤主动脉的十二个试件上,留一法下十个试件以不低于0.9的概率被分到真实队列,另两个判为未定,没有试件被高置信度分错。

给定一个新试件的短单轴测试,总体可以把预测从整个总体收窄到该试件,并外推到未测的加载工况。 没有总体时,单试件拟合只能在测试范围内跟随数据,超出范围后按先验延续,会错过试件的上翘。 在合成总体上,单轴测试止于1.25或1.5时,未测等双轴与平面应变真曲线的覆盖率约为0.8到0.9,接近已知本构形式的上界参照;但用完整单轴曲线时覆盖率降到约0.6,显示出过度自信。

启示与展望

演示范围是均匀变形下的单轴、等双轴和平面应变加载,材料包括合成超弹性律、Treloar硫化橡胶以及健康与动脉瘤人腹主动脉的雙轴数据;主动脉数据由已发表图件数字化,并对提前结束的曲线补了合成点。

总体被假设为高斯,作者指出偏斜或多峰总体需要扩散模型等更丰富的族,而这又需要更多试件;在仅三个试件时模型对总体的宽度过于自信,长而精确的测试也会把新试件定位得比数据允许的更紧,导致未测工况的覆盖率下降;先验在所有实验中保持不变,作者说明有材料先验知识时应另行选择。