In diesem Beitrag, Wir präsentieren einen neuartigen konsistenten zweistufigen Ansatz für
die automatisierte Generierung hyperelastischer Stoffmodelle, die nur
erfordert experimentell messbare Daten. Um Eingabedaten für unsere zu generieren
Ansatz, Dazu muss ein Experiment mit Vollfeldmessung durchgeführt werden
Erfassen Sie die Prüfkraft und das entsprechende Verschiebungsfeld der Probe. Dann,
im ersten Schritt des zweistufigen Rahmenwerks, eine neue endliche Belastung, datengesteuert
Identifikation (DDI) Formulierung angewendet wird. Diese Methode ermöglicht die Identifizierung
Tupel, die aus Spannungen und Dehnungen bestehen, indem sie nur das Angewendete vorschreiben
Randbedingungen und das gemessene Verschiebungsfeld. Im zweiten Schritt,
Der Datensatz wird zur Kalibrierung eines Physics-Augmented Neural Network verwendet (ABBAUEN),
welches konstruktionsbedingt alle gängigen Bedingungen der Hyperelastizität erfüllt und ist
sehr flexibel zugleich. Wir demonstrieren die Anwendbarkeit unserer
Annäherung anhand mehrerer anschaulicher Beispiele. Zweidimensionale synthetische Daten sind
exemplarisch in virtuellen Experimenten unter Verwendung eines Referenzkonstitutivs erzeugt
Modell. Das kalibrierte PANN wird dann in 3D-Finite-Elemente-Simulationen angewendet. In
Zusatz, ein echtes Experiment mit verrauschten Daten wird nachgeahmt.

Dieser Artikel untersucht Zeitreisen und deren Auswirkungen.

PDF herunterladen: