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
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。
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。
多晶胞各向异性超弹均质化改用可学的配对方向特征,六个特征就把应力误差降低约七倍,并让约束能量在数据之外保持可解。
已读完全部报道