Parameterisierte Materialmodelle mit physikaugmentierten neuronalen Netzen

Herzlichen Glückwunsch an unseren Doktoranden Dominik Klein und den studentischen Mitarbeiter Fabian Roth zur Veröffentlichung des Artikels „Parametrized polyconvex hyperelasticity with physics-augmented neural networks“ in der Zeitschrift „Data-Centric Engineering“!

Konstitutivmodelle setzen die Dehnung innerhalb eines Festkörpers mit der Spannung in Beziehung, die sie hervorruft. Bei der Beschreibung des Verhaltens komplexer oder mikrostrukturierter Materialien ist es häufig wünschenswert, parametrische Abhängigkeiten in die Materialmodelle einzubeziehen, z. B. Volumen- oder Aspektverhältnisse bei Verbundwerkstoffen, Prozessparameter bei der additiven Fertigung oder Mikrostruktureigenschaften von Metamaterialien. In dieser Arbeit werden physikaugmentierte neuronale Netze, die die Flexibilität des maschinellen Lernens ausnutzen, aber gleichzeitig alle gängigen mechanischen Bedingungen der Hyperelastizität erfüllen, auf solche Parameterabhängigkeiten erweitert. Insbesondere bleibt die Polykonvexität der Dehnungsenergiedichte in Bezug auf den Deformationsgradienten erhalten, während beliebige (ggf. auch konvexe oder monotone) funktionale Beziehungen für die Parameter berücksichtigt werden können.

Der Artikel ist zum Download frei verfügbar (Open Access) unter DOI 10.1017/dce.2023.21