Physics-Informed Neural Network Based Digital Image Correlation Method

Der Artikel präsentiert einen bahnbrechenden Physik-Informed Neural Network (PINN) Ansatz für die digitale Bildkorrelation (DIC), der die Beschränkungen traditioneller Teilmenge-basierter Methoden anspricht. Durch die Einbeziehung der photometrischen Konsistenzannahme in das neuronale Netzwerk-Framework löst PINN-DIC direkt das Verdrängungsfeld und bietet überlegene Genauigkeit und Robustheit in ungleichen Verformungsfeldern. Die Methode wird durch umfangreiche Simulationen und reale Experimente validiert und zeigt ihre Wirksamkeit bei komplexen Verformungsmessungen. In dem Aufsatz werden auch die Vorteile von PINN-DIC gegenüber anderen Methoden des Deep Learning, wie etwa unbeaufsichtigtem Lernen, und sein Potenzial für zukünftige Forschung bei der Integration inverser Problemlösungsrahmen hervorgehoben.