机构名称：
¥ 1.0
我们提出了一种自适应物理学的深层均质化神经网络（DHN）方法，以制定具有不同微结构的弹性和热弹性周期性阵列的全场微力学模型。通过完全连接的多层连接的单位细胞溶液通过最大程度地限制根据应力平衡和热传导部分微分方程（PDE）的残差之和，以及无界面的无牵引力或绝热边界条件。相比，通过引入具有正弦函数的网络层直接满足周期性边界条件。完全可训练的权重施加在所有搭配点上，这些搭配点与网络权重同时训练。因此，网络会在损耗函数中自动为界面附近（尤其是单位细胞解决方案的具有挑战性的区域）中的搭配点分配更高的权重。这迫使神经网络在这些特定点上提高其性能。针对有限元素和弹性解决方案的自适应DHN的精度分别用于椭圆形和圆柱孔/纤维的弹性解决方案。自适应DHN比原始DHN技术的优点是通过考虑局部不规则的多孔架构来证明合理的，孔隙 - 孔相互作用使训练网络特别缓慢且难以优化。
科学艺术与梅蒂尔（SAM）
主要关键词
相关文件推荐
