Core Concepts
物理情報ニューラルネットワークを用いて、複雑な超弾性材料の構成パラメータを実験データから効率的に同定することができる。
Abstract
本論文では、複雑な超弾性材料の構成パラメータを同定するための物理情報ニューラルネットワーク(PINN)に基づくロバストな手法を提案した。
まず、PINNのアーキテクチャを平面応力条件下の連続体固体力学に適応させた。これにより、変形履歴と荷重履歴の両方を訓練データとして取り入れることができる。さらに、デジタル画像相関(DIC)から得られる変位データを境界条件として追加することで、複雑な幾何形状や内部欠陥を持つ試料の材料特性を正確に同定できるようになった。
提案手法を長方形試料の中心に円形欠陥を有する問題に適用し、Arruda-Boyce超弾性モデルのパラメータを5%以内の誤差で同定できることを示した。さらに、DIC計測データの密度と雑音レベルが同定精度に及ぼす影響を調べ、DIC計測の重要性を明らかにした。
本手法は、複雑な幾何形状や構成則を持つ軟質材料の材料特性同定に有効であり、生体材料の特性評価や先進メタマテリアルの設計に貢献できると期待される。
Stats
変形勾配の第一不変量I1は、変形の程度を表す重要な指標である。
変形勾配の行列式Det(F)は、材料の体積変化を表す。
荷重T1は、試料の変形に伴う荷重の大きさを示す。
Quotes
「物理情報ニューラルネットワークは、複雑な超弾性材料の構成パラメータを実験データから効率的に同定できる有望な手法である」
「DIC計測データを境界条件として取り入れることで、複雑な幾何形状や内部欠陥を持つ試料の材料特性を正確に同定できるようになった」