Résumé - Un réseau de neurones informé de la physique pour la modélisation de la fracturation sans dommage par gradient : formulation, application et évaluation

Un réseau de neurones informé de la physique pour la modélisation de la fracturation sans dommage par gradient : formulation, application et évaluation

2025-07-09 20:33:39

{"Aditya Konale","Vikas Srivastava"}

{cond-mat.soft}

Ce document présente un cadre de réseau de neurones informé par la physique (PINN) pour modéliser la fissuration des élastomères soumis à de grandes déformations sans la formulation de la dégradation gradient. L'étude met en avant les limitations des approches traditionnelles de la méthode des éléments finis (FEM), en particulier celles sans dégradation gradient, qui souffrent de dépendance du maillage et d'inexactitudes. Les PINNs, quant à eux, offrent une alternative sans maillage qui encode les équations aux dérivées partielles régissant, les conditions aux limites et les modèles constitutifs dans les fonctions de perte. Les contributions clés du document sont les suivantes : 1. Un cadre de PINN novateur pour modéliser la fissuration des élastomères sans dégradation gradient, éliminant le besoin de données d'entraînement et réduisant les complexités mathématiques et numériques. 2. Application du PINN à la fissuration par grande déformation des élastomères, un domaine jusqu'à présent inexploré dans la littérature. 3. Validation des capacités prédictives du PINN à l'aide de solutions de référence de la méthode des éléments finis avec la dégradation gradient, démontrant son efficacité pour diverses configurations de défauts. 4. Évaluation de la performance du PINN par des variations systématiques des paramètres clés du réseau de neurones, fournissant des insights et des orientations pour les applications futures. L'étude montre que le PINN peut prédire avec précision les chemins de fissuration et l'évolution de la dégradation dans les élastomères sans nécessiter de dégradation gradient, offrant une stratégie de modélisation computationnelle simplifiée et efficace pour les problèmes de fissuration. Les résultats suggèrent que les approches basées sur le PINN peuvent être étendues à une classe plus large de matériaux et de modèles de dégradation en mécanique.