In dieser Arbeit wird ein datengesteuerter Ansatz zur Modellierung des konstitutiven Verhaltens und der Mikrostruktur heterogener anisotroper Materialien, insbesondere biologischer Gewebe, vorgestellt.
Der Kern des Ansatzes ist der Heterogene Peridynamische Neuronale Operator (HeteroPNO). Dieser lernt aus Messdaten sowohl ein nichtlokales konstitutives Gesetz als auch ein ortsabhängiges Faserausrichtungsfeld.
Der HeteroPNO baut auf dem Peridynamischen Neuronalen Operator (PNO) auf, der zuvor entwickelt wurde, um komplexe homogene Materialantworten aus Daten zu lernen. Der HeteroPNO erweitert den PNO, um auch Heterogenität in Form einer ortsabhängigen Faserausrichtung zu erfassen.
Der Ansatz besteht aus zwei Phasen: Zunächst wird ein homogener PNO-Modell gelernt, um eine grundlegende Kernfunktion und ein konstitutives Gesetz zu erfassen. In der zweiten Phase wird dieses Modell zusammen mit einem ortsabhängigen Faserausrichtungsfeld feinabgestimmt, um die Heterogenität zu erfassen.
Der HeteroPNO wurde auf synthetischen Datensätzen und experimentellen Messdaten von Gewebe getestet. Die Ergebnisse zeigen, dass der HeteroPNO in der Lage ist, sowohl das konstitutive Verhalten als auch die Faserarchitektur aus den Messdaten zu lernen. Die gelernten Faserausrichtungen stimmen gut mit unabhängigen Messungen überein. Darüber hinaus kann das Modell Verschiebungs- und Spannungsfelder für neue Lastfälle vorhersagen.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Siavash Jafa... at arxiv.org 03-28-2024
https://arxiv.org/pdf/2403.18597.pdfDeeper Inquiries