基于梁的建筑材料的力学建模具有巨大的拓扑和几何设计空间，由于在大变形下的几何非线性和不稳定性，提出了挑战。在这里，我们引入了HyperCAN，一个统一的框架，用于构建参数高效、力学知情和高度适应性的本构模型，用于表现出明显非线性力学行为的广谱波束晶格。所提出的神经网络本构模型在训练域外显示出显著的鲁棒性和不可见的泛化，进一步实现了有效的多尺度模拟，以有效的连续体取代离散结构。HyperCAN框架通过使用超网络来解决学习本构神经网络的挑战，超网络动态地调整本构关系（通过本构神经网络的权重和偏差）以适应给定的设计。这种分解绕过了在本构模型中存储所有结构-属性关系的需要，从而促进了有效的学习和转移到新的结构。我们使用icnn构建本构模型，它天生满足热力学一致性、局部材料稳定性、无应力参考构型和客观性。将基本的物理原理和力学考虑集成到本构神经网络中，显著提高了模型的性能，特别是推广到看不见的应变状态。此外，ICNN避免了应力响应的非平滑、振荡预测，确保了有效应变能密度的一阶和二阶导数的平滑。这使得可以将本构神经网络纳入非线性多尺度模拟中。所提出的本构建模框架缩小了在构建各种基于波束的结构材料的有限应变响应之间的高效、物理上明智的映射方面的差距。基于图的表示具有极大的通用性，为桁架单元单元[19]的拓扑特征提供了统一的参数化，以捕捉其之间复杂的相互作用，便于在多尺度设计和建筑材料优化中探索广泛的潜在微观结构设计。它还允许直接扩展到更广泛的桁架设计空间，适应变化，例如，相对密度或制造缺陷[92]，以及其他类别的超材料，例如，通过修改设计空间参数化，三周期最小曲面（TPMS）格[93,94]或旋空间形态[5,6,95,96]。此外，所提出的框架可以用来解决更复杂的材料行为，如路径或历史相关的基材料模型[97]，这些模型包括粘弹性和塑性。例如，可以利用超网络来生成参数物理信息神经网络（PINNs），它近似于给定参数化[98]的底层偏微分方程的解。这突出了我们的HyperCAN框架的健壮性和多功能性，为广泛的建筑材料的多尺度设计和分析开辟了新的途径
往期前沿文献汇总超链接： 前沿文献
【免责声明】本文中的部分图片和文字信息来自文献或网络，版权归原作者所有。本文对发表的观点和分析保持中立，涉及版权、隐私等问题，请及时私信联系，本公众号将立即删除修改。
