Die Wiederentdeckung des Mullins-Effekts mit Deep Symbolic Regression

Core Concepts

Die Deep Symbolic Regression ermöglicht die präzise Modellierung des Mullins-Effekts in Elastomeren.

Abstract

Die Deep Symbolic Regression wird verwendet, um genaue analytische Modelle für den Mullins-Effekt in Elastomeren zu generieren. Es werden spezifische Schadensmodelle entwickelt, die die komplexen Eigenschaften des Mullins-Effekts genau erfassen. Die Robustheit und Generalisierbarkeit des vorgeschlagenen Frameworks werden unter Bedingungen mit spärlichen Daten demonstriert. Die Methode wird umfassend an einem temperaturabhängigen Datensatz validiert. Es wird ein neuartiger Ansatz vorgestellt, der die Deep Symbolic Regression nutzt, um Materialmodelle zu generieren, die den Mullins-Effekt in fast inkompressiblen hyperelastischen Materialien beschreiben.

1. Einleitung

• Der Mullins-Effekt tritt bei Elastomeren und verstärkten Kautschuken auf.
• Es gibt verschiedene physikalische Interpretationen des Mullins-Effekts.

2. Methodik

• Kontinuumsmechanischer Rahmen und Deep Symbolic Regression werden kombiniert.

3. Implementierung

• Die Implementierung erfolgt in zwei separaten Schritten: Bestimmung des hyperelastischen Materialmodells und Suche der Schadensfunktion.

4. Ergebnisse und Diskussion

• Benchmark-Tests mit dem Mooney-Rivlin-Modell zeigen die Leistungsfähigkeit des Frameworks.
• Die Deep Symbolic Regression ermöglicht die genaue Beschreibung des Mullins-Effekts.
• Anwendung auf experimentelle temperaturabhängige Datensätze zeigt die Vielseitigkeit und Zuverlässigkeit der Methode.

Stats

Deep symbolic regression wird verwendet, um genaue analytische Modelle für den Mullins-Effekt in Elastomeren zu generieren.

Quotes

"Die Deep Symbolic Regression ermöglicht die präzise Modellierung des Mullins-Effekts in Elastomeren."

Key Insights Distilled From

Rediscovering the Mullins Effect With Deep Symbolic Regression

by Rasul Abdusa... at arxiv.org 03-11-2024

https://arxiv.org/pdf/2403.05495.pdf