Dans cette contribution, nous présentons une nouvelle approche cohérente en deux étapes pour
la génération automatisée de modèles constitutifs hyperélastiques qui ne
nécessite des données mesurables expérimentalement. Pour générer des données d'entrée pour notre
approche, une expérience de mesure plein champ doit être menée pour
recueillir la force de test et le champ de déplacement correspondant de l'échantillon. Alors,
dans la première étape du cadre en deux étapes, une nouvelle contrainte finie basée sur les données
Identification (DDI) la formulation est appliquée. Cette méthode permet d'identifier
des tuples constitués de contraintes et de déformations en prescrivant uniquement les valeurs appliquées
conditions aux limites et champ de déplacement mesuré. Dans la deuxième étape,
l'ensemble de données est utilisé pour calibrer un réseau neuronal augmenté par la physique (PANNE),
qui remplit toutes les conditions courantes d'hyperélasticité par construction et est
très flexible en même temps. Nous démontrons l'applicabilité de notre
approche par plusieurs exemples descriptifs. Les données synthétiques bidimensionnelles sont
généré à titre d'exemple dans des expériences virtuelles en utilisant un constituant de référence
modèle. Le PANN calibré est ensuite appliqué dans des simulations d'éléments finis 3D. Dans
ajout, une expérience réelle incluant des données bruitées est imitée.

Cet article explore les excursions dans le temps et leurs implications.

Télécharger PDF: