Experimental Learning of a Hyperelastic Behavior with a Physics-Augmented Neural Network

Der Artikel stellt eine Methode zur Modellierung hyperelastischen Verhaltens mittels Physics-Augmented Neural Networks (PANNs) innerhalb des EUCLID-Rahmens vor. Er beschreibt den Versuchsaufbau, einschließlich uniaxialer Zugversuche an Neopren-Kautschuk-Material und die Verwendung digitaler Bildkorrelation (DIC) zur Messung von Verdrängungsfeldern. Die Methodik umfasst die Schulung verschiedener PANN-Architekturen und den Vergleich ihrer Leistungsfähigkeit mit einem traditionellen Neo-Hookean-Modell. Die Ergebnisse zeigen, dass PANN-Modelle komplexe materielle Verhaltensweisen effektiv erlernen und verallgemeinern können und traditionelle Modelle in bestimmten Aspekten übertreffen. Der Artikel diskutiert auch die Herausforderungen und Grenzen des aktuellen Ansatzes und schlägt zukünftige Forschungsrichtungen vor, um die Robustheit und Anwendbarkeit von PANN-Modellen in der Materialwissenschaft zu verbessern.