arXiv cs.AI· Matthias Knipper, Chenyi Ji, Malte Brand, Kevin Linka·· 6 天前AI 评分22
ADE-FEMU：用自动微分从结构变形数据学习本构神经网络
Automatic-Differentiation-Enabled Finite Element Model Updating: Learning Constitutive Neural Networks from Structural Deformation Data
AI 导读
ADE-FEMU 是一个端到端可微框架，将本构神经网络嵌入 JAX-FEM 非线性求解器，通过梯度最小化测量失配损失来识别参数，可在动力学信息有限的结构数据上训练。该框架用前向与反向自动微分自动计算 Newton 切线刚度和损失梯度，无需解析伴随或离线代理模型，并在穿孔试样 DIC、降维拉伸数据及基体-夹杂两相系统三个公开数据集上验证。
正文 · AI 翻译
摘要：从异质全场变形数据中识别本构神经网络模型，为基于均质应力-应变实验的传统标定方法提供了一种稳健的替代方案，尤其是在可训练参数维度很高的情况下。这项工作提出了 ADE-FEMU（自动微分赋能的有限元模型更新），这是一个端到端可微框架，将本构神经网络模型集成到 JAX-FEM 非线性求解器中，并通过基于梯度的测量失配损失最小化来识别其参数，从而允许在具有有限动力学信息的结构数据上进行训练。因此，它可以被视为针对超弹性材料的有限元模型更新（FEMU）的扩展，并在 GPU 加速、完全自动可微的有限元框架内实现。牛顿切线刚度和损失梯度在整个流程中使用前向和反向模式自动微分自动计算，从而无需解析伴随或离线代理模型。ADE-FEMU 在两种架构上进行了演示：灰盒本构人工神经网络（CANN），一种具有高灵活性的多凸全连接模型；以及白盒 CANN，一种具有现象学可解释应变能项专家系统网络。聚焦于不可压缩各向同性超弹性，ADE-FEMU 在三个公开实验数据集上进行了评估：（1）穿孔拉伸试样的完整数字图像相关（DIC），（2）具有一维拉伸曲线和全局力-位移曲线的缩减数据场景，以及（3）异质基体-夹杂系统，其中两相的本构定律均被识别并泛化到二十二个此前未见过的样本。
| 主题： | 计算物理（physics.comp-ph）；人工智能（cs.AI） |
| 引用为： | arXiv:2606.05199 [physics.comp-ph] |
| （或 arXiv:2606.05199v2 [physics.comp-ph] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2606.05199 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Matthias Knipper [查看电子邮件]
[v1]
2026年5月22日星期五 11:36:48 UTC（28,395 KB）
[v2]
2026年10月9日星期五 09:17:45 UTC（24,166 KB）
来源：arXiv cs.AI · arxiv.org