Исследователи представили архитектуры нейронных сетей iPANN и fPANN, предназначенные для моделирования конститутивных законов в механике при нехватке данных. Эти модели используют интервальную и нечеткую логику для оценки неопределенности в условиях зашумленных или разреженных наборов данных, что позволяет повысить надежность физических симуляций, где традиционные подходы часто сталкиваются с ограничениями точности и интерпретируемости результатов.
В основе метода лежит интеграция физических ограничений непосредственно в структуру нейронной сети. В отличие от стандартных моделей, которые выдают точечные прогнозы, iPANN (Interval Physics-Augmented Neural Networks) и fPANN (Fuzzy Physics-Augmented Neural Networks) обучаются предсказывать диапазоны значений свободной энергии. Это критически важно для гиперупругого моделирования, где малейшие погрешности в данных о деформации могут привести к значительным отклонениям в итоговых расчетах напряжений.
Применение интервальной и нечеткой арифметики позволяет сетям эффективно обрабатывать гетерогенные данные, объединяя эмпирические наблюдения с фундаментальными законами механики. Такой подход обеспечивает более устойчивое распространение неопределенности, что делает модели пригодными для инженерных задач, требующих высокой степени достоверности, например, при проектировании новых материалов или анализе структурной целостности сложных систем.
Ключевые факты
- Разработаны две новые архитектуры: iPANN (интервальные) и fPANN (нечеткие) физически-информированные нейронные сети.
- Модели специализируются на гиперупругом конститутивном моделировании при дефиците качественных данных.
- Основная задача — количественная оценка и распространение неопределенности в механических симуляциях.
- Архитектура обучается предсказывать нижние, средние и верхние границы свободной энергии, обеспечивая надежный диапазон прогнозов.
- Метод позволяет эффективно работать с зашумленными и неоднородными входными данными, сохраняя при этом физическую непротиворечивость.