Physics Informed Neural Networks for Control Oriented Thermal Modeling of Buildings
本文提出了一种数据驱动的建模方法，用于开发面向控制的建筑物热模型。开发这些模型的目的是降低能耗成本，同时将建筑物的室内温度控制在所需的舒适度范围内。为了结合白/灰盒物理模型的可解释性和神经网络的表达能力，我们提出了一个物理知情的神经网络方法，这个建模任务。连同测量数据和建筑参数，我们用控制这些建筑物热行为的底层物理对神经网络进行编码。因此，实现由物理学引导的模型有助于对室温和功耗的时间演变以及隐藏状态（即，随后时间步长的建筑热质量的温度。这项工作的主要研究贡献是：（1）我们提出了两种物理学通知的神经网络架构变体，用于建筑物的面向控制的热建模任务，（2）我们表明训练这些架构是数据高效的，与传统的非物理学通知的神经网络相比，需要更少的训练数据，和（3）我们表明，这些架构实现更准确的预测比传统的神经网络更长的预测范围。我们使用模拟和真实数据测试了所提出的架构的预测性能，以证明（2）和（3），并表明所提出的物理信息神经网络架构可以用于这种面向控制的建模问题。
2022-03-21 cs.LG cs.SY eess.SP
Physics-Informed Operator Learning for Hemodynamic Modeling
School of Computing（计算学院）；Electrical Engineering Queensland University of Technology Brisbane, Australia（电气工程昆士兰科技大学布里斯班，澳大利亚）
本文提出用预训练的物理信息DeepONet作为冻结监督器，通过知识蒸馏指导简化模型进行血流动力学建模，在保持与复杂基线相当性能的同时大幅降低架构复杂性和训练开销。
2025-09-22 cs.LG eess.SP
Hybrid data-driven and physics-informed regularized learning of cyclic plasticity with Neural Networks
提出一种混合数据驱动与物理信息正则化的神经网络方法，以高效可解释方式替代径向返回映射算法，模拟循环塑性，并通过背应力信息在少量数据下实现高精度，验证了其三维普适性。
2024-03-04 cond-mat.mtrl-sci cs.LG nlin.AO
EPi-cKANs: Elasto-Plasticity Informed Kolmogorov-Arnold Networks Using Chebyshev Polynomials
University of Utah（犹他大学）
本研究提出一种基于切比雪夫多项式的弹塑性感知Kolmogorov-Arnold网络（EPi-cKAN），通过集成物理原理与增强切比雪夫多项式，在参数更少的情况下实现了对非线性应力-应变关系的精确预测与泛化。
2024-10-12 cond-mat.mtrl-sci cs.LG physics.comp-ph
AQ-PINNs: Attention-Enhanced Quantum Physics-Informed Neural Networks for Carbon-Efficient Climate Modeling
SVKM’s Dwarkadas J. Sanghvi College of Engineering（SVKM德瓦卡达斯·J·桑格维工程学院）；New York University Abu Dhabi (NYUAD)（纽约大学阿布扎比分校）；NYUAD Research Institute（纽约大学阿布扎比分校研究院）；The Maersk Mc-Kinney Moller Institute（马士基麦克-金尼·莫勒研究所）；University of Southern Denmark（南丹麦大学）
本文提出AQ-PINNs模型，将量子计算与物理信息神经网络结合用于气候建模，通过变分量子多头自注意力和量子张量网络，在保持收敛和损失性能的同时减少51.51%的模型参数，降低计算负担和碳足迹。
2024-09-03 cs.LG quant-ph
Modeling System Dynamics with Physics-Informed Neural Networks Based on Lagrangian Mechanics
Siemens AG, Corporate Technology（西门子股份公司，企业技术部）；Technical University of Munich（慕尼黑工业大学）
识别准确的动态模型是各种技术系统的仿真和控制所必需的。然而，在许多重要的实际应用中，两种主要的建模方法往往无法满足要求：第一原理方法具有高偏差，而数据驱动建模往往具有高方差。此外，纯粹基于数据的模型通常需要大量数据，并且通常难以解释。在本文中，我们提出了物理信息神经常微分方程（PINODE），一个混合模型，结合了两种建模技术，以克服上述问题。这种新方法直接将拉格朗日力学中的运动方程引入到深层神经网络结构中。因此，我们可以整合现有的物理知识，并使用函数逼近-e。例如，在一个实施例中，神经网络--它不是。该方法进行了测试与现实世界的物理系统具有很大的不确定性的前向模型。由此产生的模型是准确和数据效率，同时确保物理兼容性。有了这个，我们展示了一种方法，有益地融合物理洞察力与真实数据。我们的研究结果是基于模型的控制和系统辨识的机械系统的兴趣。
2020-05-29 cs.LG stat.ML
Multifidelity Modeling for Physics-Informed Neural Networks (PINNs)
University of Utah（犹他大学）
多保真度仿真方法经常被用于尝试以增加精度、节省成本的方式明智地组合低保真度和高保真度仿真结果。这种方法的候选人是模拟方法，其中有保真度的差异与显着的计算成本差异。物理信息神经网络（PINN）是这些类型方法的候选者，因为当采用不同的结构（以架构宽度和深度以及优化标准表示）时，所需的训练时间存在显着差异。在本文中，我们提出了一个特定的多保真度的方法应用于PINN，利用低秩结构。我们证明了宽度，深度和优化标准可以用作与模型保真度相关的参数，并显示了由于保真度参数选择而导致的训练成本差异的数值理由。我们测试我们的多保真度方案上的各种规范的正向偏微分方程模型，已在新兴的PINN文献。
2023-01-06 cs.LG physics.comp-ph
Unraveling the temperature dependence of the yield strength in single-crystal tungsten using atomistically-informed crystal plasticity calculations
University of California Los Angeles（加州大学洛杉矶分校）；Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）；Universidad Politécnica de Madrid（马德里理工大学）；Max-Planck-Institut für Eisenforschung（马克斯·普朗克铁研究所）
本研究利用基于原子级计算的晶体塑性模型，预测了单晶钨在不同温度和应变率下的屈服强度，结果与实验高度吻合，并绘制了多取向屈服面，为工程设计提供依据。
2015-12-19 cond-mat.mtrl-sci
Physiologically Informed Deep Learning: A Multi-Scale Framework for Next-Generation PBPK Modeling
University of Southern California（美国南加州大学）；Carnegie Mellon University（卡内基梅隆大学）；University of Connecticut（康涅狄格大学）
本文提出了一种多尺度的生理信息深度学习框架，结合变换器、扩散模型和神经相似性，用于提高下一代PBPK建模的效率和准确性。
2026-02-09 cs.AI cs.LG q-bio.QM
Learning the Constitutive Behavior of Materials via Neural Operators and Causal Attention: Case Studies in Plasticity and Damage
Institute of Applied Mechanics, RWTH Aachen University（亚琛工业大学应用力学研究所）；ACCESS e.V.（ACCESS协会）
该研究提出结合神经算子与因果注意力的材料本构建模框架，可从应变-应力数据准确预测材料不可逆变形，兼具分辨率不变性与并行效率，在塑性和损伤案例中表现优异。
2026-09-03 cs.CE cs.LG
SeismicNet: Physics-informed neural networks for seismic wave modeling in semi-infinite domain
Northeastern University（东北大学）；Beijing University of Technology（北京工业大学）；University of Notre Dame（圣母大学）；Renmin University of China（中国人民大学）；University of Chinese Academy of Sciences（中国科学院大学）
将物理学知识和机器学习结合起来对动态系统进行建模的兴趣越来越大。然而，对地震波建模任务的研究非常有限。一个关键的挑战是，这些地球物理问题通常定义在大的域（即，半无限），这导致高计算成本。本文提出了一种新的物理信息神经网络（PINN）模型，用于半无限域中的地震波建模，而不需要标记数据。具体而言，吸收边界条件被引入到网络中作为处理截断边界的软正则化。在计算效率方面，我们考虑通过时域分解的顺序训练策略，以提高网络的可扩展性和解决方案的准确性。此外，我们设计了一种新的代理建模策略参数加载，估计波传播在无限域给定的地震荷载在不同的位置。各种数值实验已经实施，以评估性能的PINN模型的背景下，地震波传播的正演模拟。特别是，我们定义了不同的材料分布来测试这种方法的多功能性。结果表明，出色的解决方案的准确性下独特的场景。
2022-11-02 cs.LG physics.comp-ph physics.geo-ph
Modeling Membrane Degradation in PEM Electrolyzers with Physics-Informed Neural Networks
Innomerics（Innomerics公司）
本文首次将物理信息神经网络（PINNs）用于PEM电解槽膜降解建模，通过耦合膜变薄与电压演化的常微分方程，在有限噪声数据下实现物理一致的长期降解预测。
2025-06-19 cs.CE cs.LG
Physically Informed Synchronic-adaptive Learning for Industrial Systems Modeling in Heterogeneous Media with Unavailable Time-varying Interface
针对异质介质工业系统建模中物理属性缺失、时变界面不可得的难题，提出物理 informed 同步自适应学习方法，通过多网络协同与混合损失实现偏微分方程求解，经理论证明和实验验证有效。
2024-01-26 cs.CE cs.LG
Modeling COVID-19 Dynamics in German States Using Physics-Informed Neural Networks
Computer Vision Group, Friedrich Schiller University（计算机视觉组，弗里德里希-施泰德大学）
本研究利用物理信息神经网络求解SIR模型逆问题，基于RKI感染数据对德国各州三年间COVID-19动态进行细粒度时空分析，估计传播参数与R_t，揭示区域差异及与疫苗接种的关联。
2025-10-08 cs.AI cs.LG
A Unified Physics-Informed Neural Network for Modeling Coupled Electro- and Elastodynamic Wave Propagation Using Three-Stage Loss Optimization
Department of Electrical
本文提出一种统一的物理信息神经网络，用于建模耦合电-弹性动力波传播，通过三阶段损失优化实现高精度求解。
2026-10-20 cs.LG cs.NE physics.comp-ph
Sequential Learning-Based Physics-Informed Neural Network Modeling for Parameter Estimation on a Power Converter
ABB Corporate Research Center（ABB企业研究中心）；University of Pavia（帕维亚大学）
该研究提出序贯学习的PINN方法，用于DC降压变换器参数估计，分阶段释放梯度，五阶段方案精度高，三阶段变体速度提升11%，抗扰动能力强，性能优于同时训练基线。
2026-10-15 cs.LG cs.SY eess.SY
Improved Surrogate Modeling of Fluid Dynamics with Physics-Informed Neural Networks
Institute of High Performance Computing（高性能计算研究所）
物理信息神经网络（PINN）作为一种将基于物理的领域知识（包括基本控制方程）结合到用于许多复杂工程系统的神经网络模型中的方法，最近显示出巨大的前景。它们在边界条件可能定义不清的反问题领域和典型的监督学习方法将失败的数据缺失场景中特别有效。在这里，我们进一步探索使用这种建模方法来替代流体动力学系统的建模，并展示了这种建模方法相对于传统数据驱动方法的其他未讨论的和有趣的优点：1）即使在对底层物理的不完整描述的情况下也能提高模型的预测性能; 2）提高模型对数据集中噪声的鲁棒性; 3）通过对预先存在的模型进行转移优化，减少了在针对新的、先前未见过的场景进行优化期间的收敛工作。因此，我们注意到包含基于物理的正则化项可以在许多实质性方面大大改善等效数据驱动的代理模型，包括当数据集非常嘈杂时测试误差的数量级改善，以及当仅包含部分物理时2- 3倍的改善。此外，我们提出了一种新的传输优化方案，用于在这样的代理建模方案，并证明了约3倍的收敛速度的改善和一个数量级的改进，在预测性能比传统的Xavier初始化训练的新的情况。
2021-05-05 cs.LG physics.comp-ph physics.flu-dyn
CoolPINNs: A Physics-informed Neural Network Modeling of Active Cooling in Vascular Systems
University of Houston（休斯顿大学）；Pacific Northwest National Laboratory（太平洋西北国家实验室）
CoolPINNs利用物理信息神经网络构建无网格框架，解决血管主动冷却建模中热通量跳跃、斜导数、非线性及逆建模等挑战，实现快速预测与实时监测。
2023-05-14 cs.LG cs.NA math.NA
Convergence of physics-informed neural networks modeling time-harmonic wave fields
Institute of Fundamentals and Theory of Electrical Engineering（电气工程基础与理论研究所）；Graz University of Technology（格拉茨技术大学）；Faculty of Electrical Engineering（电气工程学院）；Czech Technical University in Prague（布拉格捷克技术大学）
该研究针对三维低频室内声学场景，探究物理信息神经网络（PINNs）建模时谐波场的收敛性，通过改变声源、边界条件等配置并结合有限元参考仿真验证，得出每个波长至少需六个训练点以保证准确训练的结论。
2025-05-18 cs.CE cs.LG cs.NA
A physics-informed neural network framework for modeling obstacle-related equations
African Institute for Mathematical Sciences（非洲数学科学研究所）；Technical University Berlin（柏林工业大学）；German Aerospace Center (DLR)（德国航空航天中心）；Quantum leap Africa（非洲量子飞跃组织）
本文将物理信息神经网络（PINNs）扩展用于求解带障碍约束的偏微分方程，并在规则与不规则障碍下的线性和非线性PDEs场景中验证了其性能。
2024-10-21 cs.IT cs.LG cs.NA
Development of local plasticity around voids during tensile deformation
空隙会限制工程部件的寿命。这促使我们了解镍基高温合金结合实验和模拟孔隙周围的局部塑性。利用原位高角分辨率电子背散射衍射技术对单晶样品进行拉伸变形，以探测负载下的非均匀局部应力场;参考应力由晶体塑性有限元模拟提供。该信息用于了解空隙周围塑性形变的激活。我们的调查表明，虽然解决的剪切应力将表明多个滑移系统上的滑移活动，滑移减少到特定的系统，由于图像力和森林硬化。这项研究合理化了观察到的空隙周围的塑性形变的发展，有助于我们理解部件失效和工程设计。
2021-04-15 cond-mat.mtrl-sci
Modeling directional hardening and intrinsic size effects using a dislocation density-based strain gradient plasticity framework
这项工作提出了一个位错密度为基础的应变梯度$J_2$塑性框架，模型的强度贡献，由于几何必要位错（GNDs）使用低阶，泰勒硬化背应力模型。引入了一个各向异性因子来表征$J_2$塑性框架中晶粒间的差异硬化。对有限变形塑性模型的时间积分采用隐式数值算法。该框架首先用于预测由于在循环加载过程中的GND诱导的背应力的定向硬化。变形轮廓进行了研究，以了解子结构属性有助于定向硬化。然后，该框架被用来预测的内在的，晶粒尺寸相关的多晶粒系综加强。具有不同晶粒尺寸的模拟模型预测与霍尔-佩奇效应，也与阿什比的硬化模型，由于GNDs在polygrain合奏同意。
2022-05-03 cond-mat.mtrl-sci
Strain gradient plasticity modeling of hydrogen diffusion to the crack tip
在这项工作中，氢向断裂过程区扩散检查占局部硬化由于几何必要位错（GNDs）通过应变梯度塑性（SGP）。在有限变形理论内进行有限元计算，以表征梯度增强的应力升高和随后的氢向裂纹尖端的扩散。结果表明，GNDs，在传统的塑性预测缺席，发挥了根本性的作用，氢运输提前裂纹。SGP的估计提供了一个很好的协议与实验测量的裂纹尖端变形和高水平的晶格氢浓度预测微米内的裂纹尖端。深入讨论了氢脆机理的理解的结果的重要意义。
2017-11-12 cond-mat.mtrl-sci
In-Situ Neutron Diffraction and Crystal Plasticity Finite Element Modeling to study the Kinematic Stability of Retained Austenite in Bearing Steels
本文结合原位中子衍射和晶体塑性有限元模拟研究了高碳轴承钢中残余奥氏体的运动稳定性。轴承钢中运动亚稳残余奥氏体的存在会显著影响材料的宏观力学和微观力学响应。亚稳奥氏体的力学表征是准确捕捉典型应用载荷下的微观力学行为的关键组成部分。传统的力学表征技术无法离散量化奥氏体的微观力学响应，因此，计算预测严重依赖于试验和错误或奥氏体相的定性描述。为了克服这一点，在本工作中，我们使用原位中子衍射的单轴拉伸试验的A485 1级轴承钢试样。从中子衍射分析确定的机械响应被纳入混合晶体塑性有限元模型，占马氏体的晶体塑性和应力辅助转变从奥氏体到马氏体轴承钢。建模响应被用来估计奥氏体和马氏体相的单晶弹性常数。结果表明，采用原位中子衍射结合晶体塑性模型，可以成功地预测轴承钢的微观和宏观力学响应，同时考虑了残余奥氏体的马氏体相变。
2018-01-17 cond-mat.mtrl-sci
Ductile fracture modeling by phase field, Hencky strain elasticity and finite J2 plasticity using nonlocal operator method
采用非局部算子法建立了考虑Hencky应变和有限J2塑性的韧性断裂相场模型。用相场模型对有限应变下的J2塑性问题进行了变分推导。该方法包括对数应变张量和指数映射的塑性演化。实现了一种基于谱分解的复合矩阵函数一阶和二阶导数的计算算法。一致的切线刚度矩阵推导并用于牛顿-拉夫森迭代。数值算例验证了该方法的有效性，包括单边缺口板的脆性断裂和韧性断裂，以及杆的颈缩问题。
2023-02-07 cond-mat.mtrl-sci cs.NA math.NA
Designing transformation-induced plasticity and twinning-induced plasticity Cr-Co-Ni medium entropy alloys: theory and experiment
为了有效地探索多元固溶体合金中几乎无限的成分空间，建立预测设计策略和使用计算机辅助方法是重要的。在目前的工作中，我们展示了密度泛函理论计算通知设计路线，实现相变诱导塑性（TRIP）和孪生诱导塑性（TINNING）中熵合金（MEAs）。我们系统地研究了磁性和化学成分对广义层错能面（γ面）的影响，表明化学和耦合磁状态强烈影响γ面，从而影响主要变形模式。基于计算出的竞争变形模式的有效能垒，我们构建了在室温和低温下的成分和磁性相关的变形图。因此，我们提出了各种设计路线，以实现所需的主要变形模式在三元铬钴镍合金。我们的理论模型预测的变形机制是在很好的协议与文献中的实验观察。此外，我们制作了两个非等原子的Cr-Co-Ni膜电极具有设计的TRIP和TRIP效应，表现出良好的抗拉强度和延展性的组合。
2020-02-14 cond-mat.mtrl-sci
Predictive Crystal Plasticity Modeling of Single Crystal Nickel Based on First-Principles Calculations
为了减少晶体塑性有限元法（CPFEM）对实验拟合数据的依赖，提出了一种基于密度泛函理论（DFT）的第一性原理计算结合预测纯Ni单晶应变硬化行为的方法.通过Peierls-Nabarro方程使用通过基于DFT的方法计算的理想剪切强度和弹性性质来评估流动阻力，其中硬化行为通过在第一性原理计算中对超晶胞施加应变来建模。单独考虑，纯刃位错的弹性相互作用捕获硬化行为的小应变单滑移系统。对于较大的应变，硬化是通过边缘和螺杆流动阻力分量的应变加权线性组合来捕获的。在本框架中未预测组合率，但通过多个加载方向的大应变（~0.4）与实验的一致性表明，通过结合介观物理学的分析模型，可以实现更具有预测性的晶体塑性建模。
2022-01-17 cond-mat.mtrl-sci
Crystal plasticity modeling of non-Schmid yield behavior: from Ni3Al single crystals to Ni-based superalloys
提出了一种用于模拟L12型Ni 3Al晶体和镍基高温合金非Schmid屈服行为的晶体塑性有限元框架。这个框架依赖于直接从取向和温度相关的实验屈服应力数据的非Schmid模型参数的估计。在均匀化位错密度的晶体塑性框架下，将Ni 3Al晶体的非弹性变形模型推广到Ni基高温合金的沉淀相。该框架被用来模拟Ni 3Al晶体和单晶镍基高温合金CMSX-4在260-1304 K温度范围内的取向和温度依赖的屈服。模型预测的屈服应力与实验基本一致。模型预测也作出了关于拉伸-压缩的不对称性和占主导地位的滑移机制屈服于标准的赤平三角形在不同的温度下，这两种材料。这些预测提供了有价值的见解有关的基础（方向和温度依赖）的滑移机制在屈服。在这方面，非Schmid模型也可以用作独立的分析模型，用于预测屈服应力、拉伸-压缩不对称性和屈服时的潜在滑移机制作为取向和温度的函数。
2020-12-22 cond-mat.mtrl-sci
Modeling damage and fracture within strain-gradient plasticity
在这项工作中，塑性尺寸效应对金属材料的断裂过程的影响进行了数值分析，使用应变梯度塑性（SGP）理论建立从泰勒位错模型。由于大的变形通常发生在裂纹附近，所选择的SGP理论的数值框架，允许大的应变和旋转。在商业有限元（FE）代码的用户子程序中实现的材料模型，和裂纹尖端领域进行了彻底的评估，为无穷小和有限变形理论的边界层制定。进行了广泛的参数研究和裂纹尖端的应力分布的差异，与传统的塑性相比，量化。作为一个结果的应变梯度贡献的材料的加工硬化，有限元结果显示了显着增加的幅度和范围之间的差异的应力场的SGP和传统的塑性理论时，被认为是有限的应变。由于距离裂纹尖端的应变梯度显着改变应力场时，被认为是一个数量级更高，结果表明，塑性尺寸效应可能有重要的影响，在建模的几种损伤机制，其影响尚未被认为是在文献中。
2017-10-15 cond-mat.mtrl-sci
Mathematical modeling of a Cosserat method in finite-strain holonomic plasticity
本文论述的数学推导和验证基准的数值方法的解决方案的有限应变完整（率无关）Cosserat塑性问题的材料，可能与微观结构的例子。与以前的方法相比，我们做了两个改进：第一，借助与四元数相关的欧拉-罗德里格斯公式将微旋转参数化。其次，作为主要结果，提出了一种基于有限记忆Broyden-Fletcher-Goldstein-Shanno拟牛顿法的两遍预处理算法，该算法由预测步和校正迭代组成。在概述了必要的适应模型，数值模拟比较新的和旧的算法的性能和效率。该数值模型可以有效地用于研究具有大尺寸效应的复杂材料的力学响应。
2019-06-06 cond-mat.mtrl-sci cs.CE
Phase-field modeling of fatigue coupled to cyclic plasticity in an energetic formulation
本文提出了一个模型框架来描述脆性和韧性材料的循环破坏的驱动机制，包括循环塑性和疲劳裂纹扩展。一个变分模型设计使用率无关系统的能量制剂，耦合相场描述疲劳断裂的循环塑性模型，包括多表面运动硬化，梯度增强各向同性硬化/软化和棘轮效应。耦合模型嵌入了两个不同的疲劳效应。第一个捕获的低周疲劳的特征，驱动的塑性应变的积累，而第二个帐户的高周疲劳，驱动的自由能积累。这些机制之间的相互作用允许在力加载和位移加载下描述大范围的循环响应，如几个数值模拟所示。此外，相场断裂的方法占疲劳诱导裂纹的萌生和扩展。
2020-10-21 cond-mat.mtrl-sci cs.NA math.NA
Finite strain constitutive modeling for shape memory alloys considering transformation-induced plasticity and two-way shape memory effect
本文提出了一个考虑相变诱发塑性（TRIP）和双向形状记忆效应（TWSME）的记忆合金三维大变形本构模型。所提出的对数应变为基础的模型是能够捕捉大的应变和旋转下一般的热机械循环SMA表现出。通过使用马氏体体积分数，相变应变，内应力，和TRIP应变张量作为内部状态变量，该模型能够捕获应力依赖的TRIP生成时，SMA受到多轴应力状态，以及TWSME的热机械训练SMA在无载荷条件下。通过一个用户定义的材料子程序的有限元框架内，允许解决不同的边界值问题（BVP）的建议模型的详细实施过程。文中还对模型参数的标定以及连续介质切线刚度矩阵的推导进行了详细的说明。最后，模拟循环伪弹性和驱动响应的SMA材料系统的单轴和多轴应力状态下的广泛的模型与实验结果进行比较，以验证所提出的建模能力。
2020-01-13 cond-mat.mtrl-sci
Multi-scale Modeling of Plasticity Nearby Precipitates in Nanostructured Materials
沉淀强化是设计具有所需强度和延展性组合的合金的最有效方法之一。强化的主要机制通常是位错和沉淀物之间的相互作用。当位错遇到沉淀物时，它弯曲，因此对沉淀物施加的应力水平增加。一旦施加的应力达到沉淀物阻力，它就通过沉淀物。位错可以通过形成奥罗万环或切割它们来绕过沉淀物。在这项研究中，重点是设置在一个小的区域附近的析出物，调查他们的有效塑性应变的影响。可穿透和不可穿透的沉淀物都被考虑。两个尺度耦合来模拟这种现象，纳米-微米尺度的塑性是由明确的三维离散位错动力学分析和连续尺度的有限元方法。利用这种混合方法，可以解决纳米结构材料的塑性形变中的复杂问题。最后，研究了有效塑性应变与抗析出性能的关系。
2018-09-03 cond-mat.mes-hall cond-mat.mtrl-sci
Modeling plasticity of amorphous composites: Scalar is not enough
我们使用一个连续的介观模型来解决塑性复合材料的屈服性能，形成的主机材料和夹杂物具有不同的弹性和/或塑性性能。研究了在均匀外偏应力作用下复合材料的流动特性。我们发现，由于夹杂物引起的不均匀性，标量建模在一个单一的偏应变的对称性比外部施加的变形方面给出了不准确的结果。真实的建模必须包括所有可能的剪切变形。在一个二维系统中实现这个模型，我们表明，较硬的夹杂物的效果是非常弱的相对较高的浓度。而对于较软的夹杂物，这种影响要强得多，即使夹杂物的浓度很小，也会影响流动曲线的形状和临界应力。我们还提出了一个完整的三维模拟方案的细节，并获得相应的结果，无论是硬和软夹杂物。
2019-11-26 cond-mat.mtrl-sci cond-mat.stat-mech
Development of a thermo-mechanically coupled crystal plasticity modeling framework: application to polycrystalline homogenization
准确预测金属材料的热力耦合过程可以降低制造成本，提高生产率。为了用有限元方法模拟这些耦合过程，需要精确描述材料的机械和热响应以及它们的相互作用。传统的材料建模采用经验宏观本构关系，但不考虑在微观水平上发生的实际热机械机制。然而，对后者的考虑对于获得准确的预测和对基本物理的全面理解可能是至关重要的。在这项工作中，我们描述了一个完全耦合的隐式晶体塑性模拟的热力学框架。该框架包括热应变、晶体行为的温度依赖性和由于塑性滑移而通过耗散产生的热量，并且由于控制方程的隐式积分而允许使用大变形步骤。它的使用内计算均匀化模拟允许桥接的塑性形变和温度梯度在宏观尺度与微观滑移在晶粒尺度。一系列的数值例子来验证该方法。
2019-03-08 cond-mat.mtrl-sci physics.comp-ph
The role of weakest links and system size scaling in multiscale modeling of stochastic plasticity
结晶和非结晶物质的塑性形变通常涉及间歇性局部应变突发事件。为了理解这一现象的物理背景，引入了一个最小随机介观模型，其中微观结构的细节由波动的局部屈服阈值表示。在本文中，我们提出了一种方法来确定这种屈服应力分布的低尺度离散位错动力学模拟和使用最薄弱环节的论点。尺度链接的成功证明所得到的介观和离散位错模型的应力-应变曲线。如各种标度关系所示，它们在统计上是等价的，并且在热力学极限下表现相同。该技术有望适用于不同的微结构和非晶材料。
2016-04-07 cond-mat.mtrl-sci cond-mat.soft
Machine learning enabled surrogate crystal plasticity model for spatially resolved 3D orientation evolution under uniaxial tension
提出了一种新的基于机器学习的代理建模方法，用于预测多晶材料在单轴拉伸载荷下的空间分辨三维微观结构演化。我们的方法比现有的晶体塑性方法快几个数量级，从而能够模拟大体积，否则计算上是禁止的。这项工作是超越现有的基于ML的建模结果的重要一步，现有的基于ML的建模结果仅限于2D结构或仅提供平均而不是局部的预测。我们证明了我们的代理模型方法的速度和准确性的实验测量的微观结构从高能X射线衍射显微镜的面心立方铜样品，进行拉伸变形。
2020-05-03 cond-mat.mtrl-sci physics.comp-ph
Multiscale nanoindentation modeling of concentrated solid solutions: A continuum plasticity model
针对具有优异性能的单相高浓度固溶体合金（CSAs），首次提出基于单一参数α捕捉晶格畸变无序性的连续塑性模型，经分子动力学模拟验证后用于不同晶体取向纳米压痕建模，揭示其独特塑性机制。
2025-02-18 cond-mat.mtrl-sci physics.comp-ph
Perfect plasticity of metals under simple shear as the result of percolation transition on grain boundaries
提出了低同调温度下的完全塑性机制。根据这一机制，所研究的现象具有临界性质。在简单剪切模式下，它与晶界网络中的逾渗转变和碎片间的非局部相互作用有着独特的联系。该机制是合理的一般推理，主要是几何特征，并采用计算建模和著名的实验结果。
2012-06-22 cond-mat.mtrl-sci nlin.CD
Stress Predictions in Polycrystal Plasticity using Graph Neural Networks with Subgraph Training
Stanford University（斯坦福大学）
针对多晶塑性数值建模计算量大的问题，提出一种消息传递GNN，通过子图训练从FEM模拟中预测应力张量，训练集和测试集R²均超0.99，速度提升超150倍，泛化良好且能准确预测冯·米塞斯应力。
2025-01-23 cond-mat.mtrl-sci cs.LG
Uncertainty-Aware Machine-Learning Framework for Predicting Dislocation Plasticity and Stress-Strain Response in FCC Alloys
Johns Hopkins University（约翰斯·霍普金斯大学）；Institute of High Performance Computing, Agency for Science, Technology and Research（高性能计算研究所，科技研究局）；Xi’an Jiaotong University（西安交通大学）；City University of Hong Kong（香港城市大学）
本研究提出基于混合密度网络的不确定性感知机器学习框架，利用文献实验数据预测FCC合金晶粒级位错密度与应力分布，结合位错介导塑性模型实现带不确定性量化的应力-应变预测，提升力学性能预测准确性并助力合金设计。
2025-06-25 cond-mat.mtrl-sci cs.LG
Strain gradient plasticity-based modeling of hydrogen environment assisted cracking
通过对钝裂纹尖端应力的有限元分析，强调有限应变和基于唯象和机理的应变梯度塑性（SGP）公式，结合对封闭裂纹尖端氢（H）溶解度的电化学评估和两个H-脱粘模型，预测氢环境辅助裂纹扩展特性。SGP提高了裂纹尖端的几何必要位错密度和流动应力，随着合金强度的增加而降低。升高的静水应力促进裂纹尖端损伤的高捕获的H浓度，它是必须考虑SGP在H开裂模型。阈值应力强度因子和H-扩散限制的第II阶段裂纹扩展速率的预测同意与实验数据的高强度奥氏体Ni-Cu高温合金（蒙乃尔K-500）和两个现代超高强度马氏体钢（AerMet 100和Ferrium M54）强调在0.6 M NaCl溶液中施加的电位范围内。对于Monel K-500，使用经典公式或梯度修正公式可以准确预测KTH与阴极电位的关系;但是，第二阶段的增长速率最好通过裂纹尖端应力的SGP描述来预测，该描述证明了1 μm的临界距离是合理的。对于钢，阈值和增长率最好使用高静水应力，超过6至8倍的合金屈服强度，并延伸到裂纹尖端前1 μm。这种应力几乎实现了三长度的现象学SGP配方，但额外的应力增强是必要的，可能是由于尖端的几何形状或滑移微观结构。
2017-11-16 cond-mat.mtrl-sci
Machine-learning convex and texture-dependent macroscopic yield from crystal plasticity simulations
多晶材料的微观结构对其宏观变形响应的影响仍然是材料工程中的主要问题之一。对于以弹性-塑性形变响应为特征的材料，已经开发了表征晶体塑性（CP）的预测计算模型。然而，由于它们对计算资源的大量需求，CP模拟不能直接在诸如FE $^{2}$的分层计算模型中实现。这一瓶颈加剧了宏观模拟工具的发展，可以直接告知微观结构的数量的需要。使用三维有限元求解CP，我们生成一个宏观屈服函数数据库的基础上一般的加载条件和晶体学织构。我们进一步假设屈服函数与屈服函数的静水压力无关。利用统计建模的进步，我们描述并应用机器学习框架来预测宏观产量作为晶体学纹理的函数。通过使用部分输入凸神经网络作为预测工具，保证了数据驱动的屈服函数的凸性。此外，为了允许预测的屈服函数被直接纳入时间积分方案中，如有限元法所需，屈服面被解释为带符号距离函数水平集的边界。
2022-01-28 cond-mat.mtrl-sci
Crystal structure informed mesoscale deformation model for HCP Cu6Sn5 intermetallic compound
本文基于HCP晶体结构信息建立Cu6Sn5金属间化合物的晶体塑性有限元模型，对比基面、棱柱面和锥面三种变形模式，揭示了不同模式下位移大小的差异。
2023-05-30 cond-mat.mes-hall cond-mat.mtrl-sci
Efficient and robust constitutive integrators for single-crystal plasticity modeling
金属样品的动态变形的模拟需要在更新之间的小时间步长内执行材料行为的弹塑性本构更新，如由柯朗条件所指示的。根据变形条件，收敛时间步长变短（~ $10^{-9} s$或更小）。如果将隐式本构更新应用于这类模拟，则隐式更新的益处被否定，并且积分非常慢。目前的工作重铸的隐式更新算法到一个显式的形式，其中每个更新步骤是五到六倍的速度，和塑性更新所需的计算时间的方法，需要一个完全弹性的更新。对于动态加载条件下，显式模型被发现执行整个模拟高达50倍的速度比隐式模型。通过在显式模型中加入子循环算法，使本构更新之间的最大时间步长增加了一个数量级，从而提高了显式模型的性能。这些模型改进不会显著改变隐式形式的模型预测，并且在有限元网格上提供比隐式形式显著更快的总体计算时间。这些修改也适用于多晶体通过泰勒平均，我们也看到改进的模型性能。
2005-05-07 cond-mat.mtrl-sci
Multiscale Discrete Dislocation Dynamics Plasticity
近十年来，离散位错（DD）分析及其计算模型得到了显著的发展。这一进展已被进一步放大的想法，耦合DD与连续介质力学分析与计算算法，如有限元。这种耦合可以为更好地理解材料在微观尺度和宏观尺度上的局部响应铺平道路，增加未来在材料，机械，结构和工艺工程分析中的应用潜力。
2005-09-20 cond-mat.mtrl-sci
Machine learning-informed structuro-elastoplasticity predicts ductility of disordered solids
所有固体在足够高的机械负荷下屈服。在屈服点以下，所有无序固体的力学响应几乎是一样的，但在屈服点以上，每种不同的无序固体都以自己的方式响应。脆性系统可以在没有警告的情况下破碎，如普通的窗户玻璃，或者在断裂之前表现出应变局部化，如金属或聚合物玻璃。韧性系统，例如剃须膏等泡沫或蛋黄酱等乳液，可以无限流动，而不会产生应变局部化。虽然有调整应变局部化程度的经验策略，但没有解释其有效性或局限性的框架。我们发现，结构弹塑性（StEP）模型提供了微观理解应变局部化如何取决于结构，塑性和弹性的相互作用。
2023-03-22 cond-mat.mtrl-sci cond-mat.soft
A Three-Dimensional Constitutive Modeling for Shape Memory Alloys Considering Two-Way Shape Memory Effect and Transformation-Induced Plasticity
记忆合金（SMA）作为驱动器在过去的几十年里得到了广泛的研究。由于其与其他活性物质相比具有较高的致动能量密度，其在工程领域中的当前和潜在应用正在迅速扩大。在被用作致动器之前，SMA通常经过训练过程以稳定其行为。在训练过程中，材料的微观结构会发生永久性变化，从而产生内应力和大量不可恢复的相变诱导塑性应变（TRIP）。所产生的内部应力以及潜在的热负载提供了诱导取向相变的驱动力，使得基于SMA的致动器能够在不施加外部偏置负载的情况下表现出双向形状记忆效应（TWSME）。为了预测这种内在的现象，一个三维的唯象本构模型为未经训练的SMA。该模型利用马氏体体积分数，相变应变，TRIP应变，和内部应力作为内部状态变量，使它能够占TRIP应变的演变和TWSME为未经训练的SMA循环热机械载荷条件下。最后，边界值问题，考虑一个未经训练的SMA材料在等温/等压循环载荷下解决和预测的循环响应与现有的实验数据进行比较，以证明所提出的能力。
2018-12-13 cond-mat.mtrl-sci
On the implementation of dislocation reactions in continuum dislocation dynamics modeling of mesoscale plasticity
细观塑性力学的连续位错动力学框架旨在捕捉位错密度的演变和晶体在受到机械载荷时的变形。它通过求解一组位错的输运方程与晶体力学方程同时进行，后者以本征应变问题的形式出现。在位错输运方程中考虑位错反应对于预测这种连续位错动力学是必不可少的。提出了一个公式，将位错反应的输运方程的矢量密度为基础的连续位错动力学。这个公式的目的是严格执行位错线的连续性，使用虚拟位错的概念，关闭所有的位错环参与交叉滑移，湮灭，和滑动和固着结反应。虚拟位错的加入使我们能够准确地执行发散自由的条件后，数值解的位错输运方程的所有滑移系统单独。一组测试进行说明的准确性的制定和解决方案的输运方程内的矢量密度为基础的连续位错动力学。将这些测试的结果与较早的方法进行比较，在该方法中，仅考虑交叉滑移时，对总位错密度张量或两个密度的总和强制执行发散自由约束，表明新方法产生高度准确的结果。体模拟进行面心立方晶体的基础上的新的配方和结果进行了比较与离散位错动力学预测相同。结合实验观察，分析了连续位错动力学获得的显微组织特征。
2020-11-20 cond-mat.mtrl-sci
Bayesian inference and uncertainty quantification for modeling of body-centered-cubic single crystals
Korea Advanced Institute of Science and Technology（韩国科学技术院）；Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）
本文通过贝叶斯模型校准和全局敏感性分析，研究体心立方单晶钼在静压到冲击载荷下的变形行为，识别关键物理假设和不确定性，并验证模型预测能力。
2025-12-30 cond-mat.mtrl-sci
A single Long Short-Term Memory network for enhancing the prediction of path-dependent plasticity with material heterogeneity and anisotropy
McMaster University（麦克马斯特大学）
这项研究提出了传统的深度递归神经网络（RNN）的适用性，以预测与材料的异质性和各向异性相关的路径依赖塑性。虽然RNN的架构随着时间的推移具有对信息的归纳偏差，但考虑到从弹性到弹塑性状态的变化，学习作为加载路径的函数的路径依赖性材料行为仍然具有挑战性。我们的尝试是开发一个简单机械学习为基础的模型，可以复制弹塑性行为考虑材料的异质性和各向异性。基本的长短期记忆单元（LSTM）通过操纵输入变量增强对过去信息的归纳偏差，用于二维空间中的可塑性建模。我们的研究结果发现，一个单一的基于LSTM的模型可以捕获在单调和任意加载路径下的J2塑性响应提供了材料的异质性。建议的神经网络架构，然后用于模拟与计算均匀化（FE2）的二维横向各向异性材料的弹塑性响应。研究还发现，单个LSTM模型可以用于准确有效地捕获任意机械载荷条件下异质和各向异性微结构的路径相关响应。
2022-04-05 cond-mat.dis-nn cond-mat.mtrl-sci cs.LG
Grain boundary network plasticity: reduced-order modeling of deformation-driven microstructure evolution
本文提出“晶界网络塑性”多尺度模型，用图论描述晶界连通性，基于最小耗散势原理建立演化方程，实现多晶塑性变形的降阶高效模拟。
2024-01-03 cond-mat.mes-hall cond-mat.mtrl-sci
Constitutive modeling of the tension-compression behavior of gradient structured materials
通过剧烈塑性形变技术加工的梯度结构（GS）金属可以被设计成同时实现高强度和高延展性。显著的随动硬化是其优异的应变硬化能力的关键，这导致了良好的强度-延性组合。不幸的是，没有建立本构模型来模拟和分析GS金属的特征随动硬化行为，以了解它们的微观结构和宏观响应之间的关系。在这项工作中，我们开发了一个基于变形机制的应变梯度塑性模型，考虑到从晶粒到样品尺度的塑性不均匀性。建立了一个考虑位错堆积对晶粒尺寸依赖性的背应力模型，用于描述GS材料的循环变形特性。所建立的模型统一的几何必要的位错容纳内部塑性不均匀性，所产生的背应力和可逆的位错在反向加载到一个应变梯度塑性框架，而不引入过多的独立的材料参数。该模型的有限元实现定量预测的单轴拉伸和拉伸-压缩响应的GS铜棒，以及具有均匀的晶粒尺寸的参考样品。研究发现，GS铜表现出增强的随动硬化，这主要是由于GS层中的细晶粒，并有助于GS材料的相当大的延展性。该模型允许调查的机械响应和优化性能的材料与各种类型的空间异质晶粒微观结构。
2020-02-10 cond-mat.mtrl-sci
Anomalous Plasticity of Body-Centered-Cubic Crystals with Non-Schmid Effect
体心立方（BCC）晶体中的塑性形变在各种长度尺度的工程和制造环境中具有至关重要的意义。大量的实验和原子模拟BCC晶体显示，经典的晶体塑性模型与施密德定律是不足以解释异常塑性形变经常发现在这些晶体。在本文中，我们解决了一个连续力学处理的异常塑性体心立方晶体表现出非施密德效应，灵感来自最近报道的原子模拟。具体而言，异常功能的塑性流动的单晶本构模型，涉及两个非施密特投影张量广泛接受代表非滑移分量的施加应力张量一起解决。此外，一个有代表性的BCC单晶（钽）的建模结果，并在一系列低温下的实验数据进行比较，以提供物理洞察这些晶体中的变形机制与非施密德效应。
2017-08-13 cond-mat.mtrl-sci
