In questo contributo, presentiamo un nuovo approccio coerente a doppia fase per
la generazione automatizzata di modelli costitutivi iperelastici che solo
richiede dati misurabili sperimentalmente. Per generare dati di input per il nostro
approccio, deve essere condotto un esperimento con misurazione a tutto campo
raccogliere la forza di prova e il corrispondente campo di spostamento del campione. Poi,
nella prima fase del quadro a doppia fase, un nuovo ceppo finito basato sui dati
Identificazione (DDI) viene applicata la formulazione. Questo metodo consente di identificare
tuple costituite da sollecitazioni e deformazioni prescrivendo solo l'applicazione
condizioni al contorno e campo di spostamento misurato. Nel secondo passaggio,
il set di dati viene utilizzato per calibrare una rete neurale aumentata dalla fisica (GUASTO),
che soddisfa tutte le comuni condizioni di iperelasticità per costruzione ed è
molto flessibile allo stesso tempo. Dimostriamo l'applicabilità del ns
approccio attraverso diversi esempi descrittivi. I dati sintetici bidimensionali sono
generato in modo esemplare in esperimenti virtuali utilizzando un costitutivo di riferimento
modello. Il PANN calibrato viene quindi applicato nelle simulazioni 3D degli elementi finiti. In
aggiunta, viene imitato un esperimento reale che include dati rumorosi.

Questo articolo esplora i giri e le loro implicazioni.

Scarica PDF: