深度学习在固体力学中的应用与实操案例分析文章复现！

人工智能前沿技术，

已于 2024-09-25 10:59:00 修改

阅读量649

点赞数 21

文章标签： python

于 2024-09-25 10:50:36 首次发布

本文链接：https://blog.csdn.net/2401_83941020/article/details/142517240

版权

固体力学主要研究固体材料在外界力场、或者其他物理场作用下发生的变形和稳定性等特性，其理论和方法广泛应用于工程、材料科学、机械设计、建筑结构等领域。机器学习 (Machine Learning)，特别是深度学习 (Deep Learning) 技术，在固体力学领域展现出了巨大潜力。尽管偏微分方程 (Partial Differential Equations, PDEs) 数值离散化来模拟多物理问题方面取得了巨大进展，但是网格生复杂、方程包含对历史卷积以及非线性行为、含噪声数据无法整合到逆问题算法等困难依然突出。机器学习已经成为一种有前途的替代方案。深度神经网络已经可以解决部分低维度的简单问题，但是训练深度神经网络需要大数据。更进一步，物理信息神经网络可以通过添加物理定律约束获得的额外信息。为正向和逆向问题带来了的更多的可能性，提高了神经网络的准确性、带来了更快的训练和改进的泛化能力。通过引入人工智能方法，可探索固体力学领域在机器学习加持下的“老树开新花”。

目标:

１.培养从0到1建模能力：本课程注重学科基础能力和科学建模方案。在线弹性基础上进一步扩展到多物理场耦合问题，学习多场耦合问题的新提法以及控制方程的构建。课程通过是实操案例对实际现象进行简化处理，提取主要矛盾后建立控制方程，并通过无量纲化减少系统参数，精准揭示现象的演化规律和主导因素。课程注重培养问题从0到1的建模过程，对比经典解法和深度学习解法，探究深度学习在固体力学和多物理场仿真中的前景和局限。

２.培养学科交叉能力：本课程旨在培养既精通固体力学学基本提法与多物理场仿真基础方案，又熟练掌握机器学习算法与深度学习技术的复合型人才。学员将深入固体力学和多物理场仿真的时空动态规律，同时精通神经网络、优化算法等关键技术，能够创新性地设计并实施多物理场模型，优化预测精度与效率。

３.展现机器学习优势：通过对比分析，课程将深刻揭示机器学习在多物理场偏微分方程中相较于传统模型的显著优势，包括更强的解拟合能力、更高效的数据处理速度以及更广阔的适用场景。探讨其在应力应变估算、结构设计评估、参数反演策略优化等方面的最新研究进展与广阔应用前景。

４.实战案例分析：通过深入分析机器学习在固体力学和多物理场仿真稳态，瞬态等预测中的具体应用案例，如质量阻尼弹簧的位移预测，超弹性材料本构模型，相场法断裂深度学习算法。使学员直观感受其在实际问题解决中深度学习的强大威力与显著成效。这些案例将帮助学员构建理论与实践之间的桥梁，提升解决实际问题的能力。

５.追踪领域前沿动态：课程将引入国际上的最新研究成果与前沿动态，详细介绍机器学习在固体力学和多物理场仿真领域的最新发展态势，包括新型算法的研发、大规模数据集的应用、以及跨学科合作的新模式。旨在激发学员的创新灵感，鼓励他们探索新技术、新方法，推动固体力学和多物理场仿真往更加智能化、自动化、精准化的方向发展。

拓宽国际视野，促进跨学科合作：拓宽学员的国际视野，促进他们与国际同行的交流与合作。同时，强调跨学科整合的重要性，鼓励学员在固体力学、机器学习、数据科学等领域之间寻找交叉点，开展创新性研究，为解决全球固体力学建模的挑战贡献智慧与力量。

主讲来自国内境外QS排名前20高校，本科来自国内顶尖985院校。擅长固体力学以及多物理场耦合问题，对深度学习有丰富经验，常用于的解决固体力学和多物理场仿真。近年来发表子刊、SCI论文多篇。研究方向包括：力电耦合，力磁耦合，力化学耦合问题。深度学习方面研究方向包括神经网络 (NN)、循环神经网络 (RNN)，图像目标识别 (Image recognition)，物理信息神经网络 (Physics-informed neural networks)等。

上下滑动查看内容

Day 1: 固体力学复习

第一天：弹性力学复习

课程目标：

复习基础弹性力学，穿插学习大变形下的新定义

复习适定的弹性问题 (well-posed problem)

学习构建强弱形式并使用软件实现

Day 1-1

变形与变形梯度：仿射变形假设

应变张量：小变形假设，大变形 (Lagrangian应变)

应力张量：小变形下应力张量，柯西应力，PK1应力，PK2应力

实操案例：分析法计算应变

Day 1-2

控制方程

力平衡方程

角动量平衡方程

线弹性本构关系

强形式与弱形式

实操案例：线弹性问题的软件/代码实现

工具方法

Python基础以及查询方法

ChatGPT和Github Copilot辅助工具

Day 2: 高等弹性力学与多场耦合

课程目标：

学习高等弹性力学以及其他多物理场问题的提法

学习线性/非线性粘弹性问题

其他复杂物理场：相场法断裂，传热，扩散问题

图表 4 多物理场耦合问题

Day 2-1

热力学第一、第二定律

熵与自由能

高分子链随机游走与熵弹性

超弹性问题强形式与弱形式

回看控制方程：热力学视角下的平衡行为和动力学行为

回看控制方程：优化问题视角下的控制方程

实操案例：超弹性问题的软件/代码实现

Day 2-2

热传导方程和扩散方程

牛顿流体类粘弹性问题

粘弹性材料的软件/代码实现

相场法断裂问题

实操案例：线弹性材料相场法断裂裂纹扩展的软件/代码实现

图表 5: 明锐边界与断裂相场法的扩散边界

图表 6 断裂相场法对称三点弯测试中的裂纹扩展

Day 3: 量纲分析和神经网络概述

课程目标：

学习量纲分析

初步了解神经网络，了解神经网络的类型

了解神经网络的结构和应用

Day 3-1

学习量纲分析的目的

量纲分析介绍

量纲分析举例：单摆的周期，液滴的振动，液体表面张力测量

Day 3-2

神经网络概述

神经网络应用

介绍神经网络及其应用，常见的神经网络的类型（前馈神经网络、卷积神经网络、循环神经网络等），以及神经网络在固体力学领域的广泛应用。

神经网络的结构

讲述神经网络的基本构建模块及其功能，如神经元、层、激活函数等核心组成部分。

实操案例：神经网络预测阻尼振荡器振子位移 (讲解阻尼振荡器的背景知识(如阻尼振动的基本方程等)、建立物理模型并使用神经网络优化求解动态位移)

Day 4: PINNs的正逆问题

课程目标：

认识物理信息神经网络

学习PINN解偏微分方程的方法原理

学习区分正问题、逆问题，并了解两种问题的处理方法

Day 4-1

PINN内容概述

介绍物理信息神经网络（Physics-Informed Neural Networks，PINN）基本概念，以及作为神经网络新兴方法分支的独特之处。

PINN应用领域

例如，材料载荷、裂纹扩展、热流动力学、流体力学等

PINN方法原理

重点讲解PINN解偏微分方程的方法原理，讲解在解决具有复杂约束的工程问题时如何构建一个能够同时满足真实数据条件、初值条件、偏微分方程结构以及边界条件的多约束损失函数。

Day 4-2

PINN的正问题和逆问题的构建

实操案例：1D, 2D热传导方程的PINNs方法求解

Day 5:论文复现

课程目标：

根据前期所学习的量纲分析和适定的多物理场仿真问题，建立从0到1构建案例的操作流程

论文 (Flaschel et al., 2021)

Unsupervised discovery of interpretable hyperelastic constitutive laws.

图表 7具有物理意义的超弹性本构搜索的无监督算法示意图

论文 (Manav et al., 2024)

Phase-field modeling of fracture with physics-informed deep learning.

图表 8 对比神经网络和有限元分析获得的L形板的位移和相位场

论文 (Marino et al., 2023)

Automated identification of linear viscoelastic constitutive laws with EUCLID

图表 9 Comparison of true and identified response functions ordered as: shear loss, shear storage, bulk loss, bulk storage (row-wise from left to right) and with increasing number of clusters from 1 to 5 (column-wise from top to bottom) for the noise-free case.