The 7th National Conference on Computational Mechanics of Granular Materials in conjunction with The 4th International Symposium on Computational Particle Technology (CMGM-2024 & CPT-2024)

数据驱动模型依赖于庞大的数据集训练学习，缺乏明确的物理框架，导致其鲁棒性和泛化能力较差，预测结果容易违反与物理规律。本研究提出了一种用于颗粒材料弹塑性本构建模的热力学神经网络（TINN-EP）。TINN-EP将热力学弹塑性理论嵌入到神经网络内部，模型由一个GRU神经网络与三个全连接的子神经网络组成。首先采用适用于颗粒材料路径相关的GRU神经网络预测塑性应变。其次，通过三个全连接的子神经网络预测分别得到弹性自由能、锁定自由能、耗散率。最终，采用自动微分，总自由能对于应变求导得到更新后的应力。此外，热力学弹塑性理论被编入物理驱动的损失函数对TINN-EP模型进行严格约束。总的损失函数由物理驱动和数据驱动两部分构成。为了体现TINN-EP的广泛适用性，本研究首先将其用于一维运动硬化弹塑性模型的力学与能量响应预测。其次，考虑到颗粒材料的多尺度特性，本研究采用离散元模型通过应力试探法分解得到弹塑性应变以及能量演化，并将其用于TINN-EP的测试中。最后，通过修改数据驱动损失函数，实现了TINN-EP对于循环加载实验的预测。研究结果表明，TINN-EP模型相比于传统的数据驱动模型展示出了更加强大的泛化能力和鲁棒性，并严格满足了热力学约束。
 

热力学，弹塑性，锁定自由能，应力试探法，数据驱动本构建模，物理信息神经网络