物理嵌入神经网络的高分子聚合物本构模型自动识别方法、系统和程序产品

摘要: 本技术属于材料本构建模,尤其涉及一种物理嵌入神经网络的高分子聚合物本构模型自动识别方法、系统和程序产品。背景技术:1、高分子聚合物材料因其独特的粘弹性行为,在航...
物理嵌入神经网络的高分子聚合物本构模型自动识别方法、系统和程序产品

本技术属于材料本构建模,尤其涉及一种物理嵌入神经网络的高分子聚合物本构模型自动识别方法、系统和程序产品。

背景技术:

1、高分子聚合物材料因其独特的粘弹性行为,在航空航天、柔性电子、生物医学等领域应用广泛。为了准确评估这些材料的服役性能,建立精准可靠的粘弹性本构模型至关重要。

2、传统的本构建模方法通常依赖研究者的专业经验,手动选择应变能函数和流变模型形式,存在很强的主观性,且在面对多参数、多松弛机制的复杂模型时,参数辨识过程容易陷入局部最优,计算效率低下。近年来,数据驱动方法,特别是基于神经网络的方法被应用于本构建模,这些方法通过融合力学先验知识,在一定程度上提升了建模效率。然而,现有技术仍存在明显缺陷:首先,许多方法仍需人工设定关键的超参数,如流变单元的数量和结构,未能实现完全的自动化。其次,以物理信息神经网络为代表的方法,通常将物理方程作为损失函数中的一个惩罚项,这种软约束方式存在多损失项权重平衡困难、训练过程不稳定等问题,无法从根本上保证模型严格遵守热力学一致性等物理定律。此外,现有方法对于材料在大变形条件下的非线性粘性行为的表征能力不足,所建模型往往缺乏清晰的物理内涵。因此,现有技术仍无法同时解决模型选择主观性、物理一致性硬约束、非线性粘性精准表征以及模型结构自动识别等问题。

技术实现思路

1、本技术实施例提供了一种物理嵌入神经网络的高分子聚合物本构模型自动识别方法、系统和程序产品,旨在解决现有技术在聚合物粘弹性本构建模中存在的模型形式依赖人工选择、物理一致性难以通过硬约束保证,以及对大变形下非线性粘性行为表征不足等问题。

2、第一方面,本技术实施例提供了一种物理嵌入神经网络的高分子聚合物本构模型自动识别方法,包括:

3、获取材料在至少一种加载模式下的实验应力-应变数据,对所述实验应力-应变数据进行预处理,生成包含变形梯度和时间增量的时间序列训练数据集;

4、搭建包含n个并联流变子单元的物理嵌入本构神经网络,其中,每一个并联流变子单元由一个应变能函数和一个粘性参数进行表征,所述物理嵌入本构神经网络将变形梯度乘法分解和热力学一致性以硬编码形式嵌入网络结构,其中,n为大于或等于1的整数;

5、建立组合损失函数,所述组合损失函数包括:用于量化所述物理嵌入本构神经网络预测的应力与实验应力之间偏差的均方误差项,以及对所述n个并联流变子单元的组参数施加的group lasso正则化惩罚项;

6、基于所述时间序列训练数据集训练所述物理嵌入本构神经网络,通过反向传播算法迭代更新网络参数以最小化所述组合损失函数,其中,所述group lasso正则化惩罚项驱动所述n个并联流变子单元中的冗余并联流变子单元的组参数整体向零收缩;

7、通过保留组参数l2范数值不小于预设阈值的并联流变子单元,并从所保留的并联流变子单元中提取显式的应变能函数和粘性参数,以识别最终的高分子聚合物本构模型。

8、在第一方面的一种可能的实现方式中,所述将变形梯度乘法分解和热力学一致性以硬编码形式嵌入网络结构,包括:

9、对于每一个并联流变子单元,根据乘法分解将所述变形梯度分解为弹性变形梯度和粘性变形梯度;

10、将材料的总亥姆霍兹自由能密度定义为所有并联流变子单元的弹性响应部分所对应的应变能密度之和,并基于coleman-noll过程推导弹性应力关系以满足热力学一致性;

11、基于clausius-planck耗散不等式和不可压缩约束,建立粘性演化方程,以使粘性耗散非负。

12、在第一方面的一种可能的实现方式中,每一个并联流变子单元内嵌一个广义不变量本构神经网络模块,所述广义不变量本构神经网络模块学习材料的超弹性响应;

13、所述广义不变量本构神经网络模块的输出为多个凸函数的线性组合,且所述线性组合的权重被约束为非负,以确保输出的应变能函数为凸函数并满足热力学稳定性。

14、在第一方面的一种可能的实现方式中,每一个并联流变子单元的粘性演化过程嵌入变形依赖的非线性粘性模型,所述非线性粘性模型将每一个并联流变子单元的粘性系数定义为宏观变形梯度的函数。

15、在第一方面的一种可能的实现方式中,所述物理嵌入本构神经网络的训练过程,包括:

16、初始化所述物理嵌入本构神经网络,预设并联流变子单元的初始数量n,并以对数均匀分布的方式为每一个并联流变子单元分配初始粘性系数;

17、采用adam优化器进行训练,并对可训练参数施加非负约束。

18、在第一方面的一种可能的实现方式中,所述获取材料在至少一种加载模式下的实验应力-应变数据,对所述实验应力-应变数据进行预处理,以生成包含变形梯度和时间增量的时间序列训练数据集,包括:

19、获取至少一种加载模式下的所述实验应力-应变数据,所述加载模式包括单轴拉伸、等双轴拉伸或纯剪切;

20、基于不可压缩条件,计算所述变形梯度;

21、通过插值生成具有自适应步数的样本,并根据所述样本计算所述时间增量;

22、将所述变形梯度和所述时间增量组织为所述时间序列训练数据集。

23、在第一方面的一种可能的实现方式中,所述通过保留组参数l2范数值不小于预设阈值的并联流变子单元,并从所保留的并联流变子单元中提取显式的应变能函数和粘性参数,包括:

24、保留组参数l2范数值不小于所述预设阈值的并联流变子单元;

25、从广义maxwell模型结构所包含的并联流变子单元中提取显式的应变能函数和粘性参数。

26、在第一方面的一种可能的实现方式中,对所述粘性变形梯度采用显式欧拉格式进行数值更新。

27、第二方面,本技术实施例提供了一种物理嵌入神经网络的高分子聚合物本构模型自动识别系统,包括:

28、数据预处理模块,用于获取材料在至少一种加载模式下的实验应力-应变数据,对所述实验应力-应变数据进行预处理,生成包含变形梯度和时间增量的时间序列训练数据集;

29、网络搭建模块,用于搭建包含n个并联流变子单元的物理嵌入本构神经网络,其中,每一个并联流变子单元由一个应变能函数和一个粘性参数进行表征,所述物理嵌入本构神经网络将变形梯度乘法分解和热力学一致性以硬编码形式嵌入网络结构,其中,n为大于或等于1的整数;

30、损失函数模块,用于建立组合损失函数,所述组合损失函数包括:用于量化所述物理嵌入本构神经网络预测的应力与实验应力之间偏差的均方误差项,以及对所述n个并联流变子单元的组参数施加的group lasso正则化惩罚项;

31、模型训练模块,用于基于所述时间序列训练数据集训练所述物理嵌入本构神经网络,通过反向传播算法迭代更新网络参数以最小化所述组合损失函数,其中,所述grouplasso正则化惩罚项驱动所述n个并联流变子单元中的冗余并联流变子单元的组参数整体向零收缩;

32、模型识别模块,用于通过保留组参数l2范数值不小于预设阈值的并联流变子单元,并从所保留的并联流变子单元中提取显式的应变能函数和粘性参数,以识别最终的高分子聚合物本构模型。

33、第三方面,本技术实施例提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面中任一项所述的物理嵌入神经网络的高分子聚合物本构模型自动识别方法。

34、第四方面,本技术实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面中任一项所述的物理嵌入神经网络的高分子聚合物本构模型自动识别方法。

35、第五方面,本技术实施例提供了一种计算机程序产品,当计算机程序产品在计算机设备上运行时,使得计算机设备执行上述第一方面中任一项所述的物理嵌入神经网络的高分子聚合物本构模型自动识别方法。

36、本技术实施例,通过在组合损失函数中引入对并联流变子单元组参数的grouplasso正则化惩罚项,在训练过程中能够自动压缩并淘汰对材料力学行为贡献不显著的冗余流变子单元,从而端到端地完成高分子聚合物本构模型形式选择、最优松弛机制数量确定和参数识别,无需人工干预,极大地提高了建模效率。通过将变形梯度乘法分解、热力学一致性、应变能凸性、耗散非负性等物理定律以硬编码形式直接嵌入网络架构,确保了模型严格满足物理约束,克服了传统神经网络黑箱模型和物理信息神经网络软约束的弊病,使得最终建立的高分子聚合物本构模型具有坚实的物理基础和良好的可解释性。通过将每一个并联流变子单元的粘性系数定义为宏观变形梯度的函数,能够精准捕捉和预测材料在大变形下的应变软化、率相关滞后等复杂力学行为,提升了模型的预测精度。基于三维变形梯度和广义不变量的输入设计,使得模型能够统一处理单轴、等双轴、纯剪切等多种加载模式的数据,训练后的模型泛化能力强,且相比传统拟合方法,训练时间缩短。

37、可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。