ADE-FEMU：可微分有限元框架从变形数据学习本构神经网络

研究者提出ADE-FEMU框架，将本构神经网络嵌入JAX-FEM非线性求解器，通过自动微分计算测量失配损失的梯度，用梯度最小化从结构全场变形数据中辨识超弹性材料参数。基于论文摘要，该框架在GPU加速下自动计算牛顿切线刚度和损失梯度，无需解析伴随方程或离线代理模型。 工作聚焦不可压各向同性超弹性，在三个开放实验数据集上评估，并演示两种本构神经网络架构：高灵活性的多凸全连接灰盒CANN和白盒CANN，包括对22个此前未见样本的泛化测试。

AI 根据报道生成 · 55 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。