File size: 6,890 Bytes
bbe9b3e | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 | # T2灰盒神经本构主线：离散能量约束的神经硬化返回映射
## 研究问题
材料点随机留出精度不能回答未知加载路径、时间步变化和结构有限元收敛问题。
现有白盒物理积分网络直接使用J2/Chaboche硬化公式，适合作为算法积分上限，
不能证明神经网络能够学习未知本构演化。下一阶段只保留可靠的力学骨架，让
网络学习未知硬化记忆，并检验该模型能否从材料点进入结构Newton求解。
核心问题为：
> 在不提供Chaboche硬化演化公式的条件下，能否从有限的多轴应力—应变历程中
> 学得紧凑、客观、耗散可接受的硬化记忆，并在未见路径、改变时间步和非均匀
> 结构中保持精度与求解稳定性？
## 文献判断
现有重要路线包括：
1. TANN从自由能和耗散出发，将热力学关系嵌入网络；
2. Sobolev/level-set方法学习屈服面与硬化并控制函数导数；
3. Meyer—Ekre方法将神经网络嵌入标准耗散材料结构，学习并进一步识别未知演化律；
4. 隐式层方法把塑性更新写成可微凸优化层；
5. 2026年的hard-thermodynamic与thermodynamic-hierarchy工作进一步比较自由能、
耗散势、传输算子和神经ODE等框架。
因此，本项目不把“热力学神经网络”“神经返回映射”或“学习演化律”本身作为
新的概念。可形成差异的部分是：以一个明确不完备的J2骨架为起点，把未知硬化
学习、后向欧拉离散能量分账、时间步OOD、一致算法切线及结构Newton门统一在
同一条可复现的AgentFEM工作流中。
## 唯一主架构
定名为 **DENIM（Discrete-Energy Neural Internal-variable Model，离散能量神经内变量模型）**。
名称指向“离散能量＋可学习内变量”的方法范式；当前实例限定为小应变J2循环塑性，不把名称扩张为所有材料模型的通用解。
### 保留的已知物理
- 小应变各向同性线弹性；
- J2屈服几何；
- 关联流动方向；
- 塑性不可压缩；
- 非负塑性乘子与PEEQ单调；
- 弹性预测—隐式塑性校正；
- 接受状态的commit/rollback语义。
### 故意移除的物理
- Voce指数型各向同性硬化公式；
- 固定Armstrong—Frederick动态恢复公式；
- 数据生成器中的Chaboche参数及其更新方程。
### 神经硬化状态
状态为塑性应变、PEEQ、标量各向同性硬化量和两个无迹二阶记忆张量。两个张量
表示快、慢两类方向记忆，但不向网络提供Chaboche的解析更新。
各向同性硬化使用零点锚定的单调神经函数
`R_theta(p) >= 0, dR_theta/dp >= 0, R_theta(0)=0`。
张量记忆采用客观的后向欧拉更新。网络只读取张量不变量、与当前流动方向的
投影、PEEQ和反向加载指标，输出非负动态恢复率；生产模量保持为正的可学习
材料常数。经典双背应力Chaboche是该模型的一个特例，但网络也可表达随状态和
方向历史变化的恢复规律。
### 离散能量
每个接受增量显式记录：
- 塑性功；
- 各向同性硬化储能变化；
- 运动硬化储能变化；
- 初始屈服耗散；
- 动态恢复耗散；
- 后向欧拉数值耗散；
- 离散能量余额。
正参数化和单调硬化保证关键耗散通道非负；训练、验证和结构部署均使用同一
分账定义。连续热力学正确但离散积分失真的模型不能通过时间步门。
### 一致切线
局部塑性校正写成隐式残量。训练阶段可使用可微固定点/隐式微分，部署阶段由
局部残量的Jacobian得到算法切线，并以固定旧状态的有限差分独立核验。结构门
同时报告反力误差、Newton迭代、cutback和回退，不以材料点RMSE替代稳定性。
## 数据设计
不重新海选网络，只增加一组面向演化发现的固定材料队列：
1. 已知`E, nu, sigma_y`，隐藏所有硬化公式与硬化参数；
2. 训练路径使用比例、剪切、顺序轴剪、正交和方形非比例加载；
3. 验证留出旋转主方向；
4. 测试完整留出Lissajous和随机五维方向块；
5. 对同一连续路径随机改变离散步长，形成时间步OOD；
6. 第一真值为AgentFEM组合硬化，用于验证能否恢复已知规律；
7. 第二真值使用非指数表格硬化和多时间尺度记忆，避免提出模型与生成器同构；
8. 最后增加公开OFHC铜/316钢路径或实验数据，不把合成结果冒充实验发现。
## 最小对照组
只保留三个必要对照，不重新训练一排相似网络：
1. 现有GRU：代表黑箱历史模型；
2. 不含硬化的J2骨架：代表物理不完备但没有学习；
3. DENIM：本文方法。
现有白盒物理积分网络只作为不可超越的“知道真公式”参考上限，不参与公平的
未知物理排名。
## 成功门槛
DENIM必须同时满足：
- 路径OOD应力RMSE显著低于GRU；
- PEEQ、塑性不可压缩和客观性零违例；
- 离散能量余额达到数值积分容差，耗散通道无负值；
- 241、121及非均匀时间步下终态和历程保持自洽；
- 算法切线与固定旧状态有限差分一致；
- 二维或三维非均匀结构中达到可接受反力误差，并稳定完成全局Newton；
- 公开路径/实验对照不劣于经标定的经典基线。
若DENIM不能超过GRU，应保留失败结果并检查信息不足、状态维数、离散更新和
训练路径覆盖，不通过增删测试集制造胜出。
## 论文主线
建议题目方向：
**From trajectory fitting to deployable constitutive discovery: a discrete-energy neural return map for path-dependent plasticity**
文章的核心贡献不是新网络名称，而是证明：未知硬化可以在保留少量可靠物理的
条件下学习；连续层面的物理约束仍不够，离散能量、时间步一致性、算法切线和
结构平衡必须共同构成神经本构的可信验证链。
## 主要文献入口
- Masi et al., Thermodynamics-based Artificial Neural Networks, JMPS 2021,
https://doi.org/10.1016/j.jmps.2020.104277
- Vlassis and Sun, Sobolev training of thermodynamic-informed neural networks,
CMAME 2021, https://doi.org/10.1016/j.cma.2021.113695
- Meyer and Ekre, Thermodynamically consistent neural network plasticity
modeling and discovery of evolution laws, JMPS 2023,
https://doi.org/10.1016/j.jmps.2023.105416
- Bleyer, Learning elastoplasticity with implicit layers, CMAME 2025,
https://doi.org/10.1016/j.cma.2025.118145
- Masi, Learning inelastic constitutive models from stress-strain data under
hard thermodynamic constraints, CMAME 2026,
https://doi.org/10.1016/j.cma.2026.119260
- Jones and Fuhg, A hierarchy of thermodynamics learning frameworks for
inelastic constitutive modeling, arXiv:2603.02645
|