핵심 개념
순환 플라스틱성에 대한 하이브리드 데이터 기반 및 물리학적으로 안내된 정규화된 학습의 제안
초록
물리학적으로 안내된 정규화 및 백스트레스 정보를 구현하여 훈련 데이터의 양을 제한하면서 높은 정확도와 안정성을 달성함
제안된 모델 아키텍처는 기존 솔루션에 비해 더 간단하고 효율적이며 완전한 3차원 재료 모델을 나타냄
제안된 방법론은 Armstrong-Frederick 운동 경화 모델로 얻은 대리 데이터를 사용하여 점검됨
평균 제곱 오차가 손실 함수로 채택되어 여러 제한 사항을 규정함
순환 플라스틱성을 시뮬레이션하는 수치 테스트가 자세히 설명되고 정확성 및 안정성이 검증됨
통계
물리적으로 안내된 기술을 구현하는 데 사용되는 평균 제곱 오차
Armstrong-Frederick 운동 경화 모델을 사용하여 얻은 대리 데이터
인용구
"An extendable, efficient and explainable Machine Learning approach is proposed to represent cyclic plasticity and replace conventional material models based on the Radial Return Mapping algorithm."
"The proposed model architecture is simpler and more efficient compared to existing solutions from the literature, while representing a complete three-dimensional material model."