跳到主要内容
检索

# 本构模型发现

2 篇关联报道

订阅更新
  1. arXiv

    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。

  2. arXiv

    本构模型发现改问因果:气候箱干预在10次运行中7次找回真实机制图,观测数据一次也没有

    本构模型发现不再只问哪些候选项能拟合响应,而是问哪个环境变量驱动哪个机制。把含内变量的本构模型写成按时间展开的结构因果模型,用弱形式平衡残差给候选图打分,气候箱协议被当作干预。合成多孔板算例中,位移噪声约0.01像素时,干预数据在10次运行里7次精确恢复13条候选边中的8条真实边,且没有归因错误;温湿相关的观测数据一次也没有恢复。

已读完全部报道