Speaker
Description
Последние годы методы машинного обучения все шире применяются в механике материалов, позволяя эффективно преодолевать узкие места классических теоретических подходов, повышая точность и общность моделей и уменьшая время вычислений. Лекция посвящена двум аспектам машинного обучения в механике материалов, а именно применению искусственных нейронных сетей для построения моделей пластичности и разрушения, а также использованию статистических методов параметризации классических моделей в виде аналитических соотношений или дифференциальных уравнений. Рассматривается применение сетей прямого распространения и рекуррентных нейронных сетей для описания упругопластического поведения и разрушения, включая уравнение состояния, пороги нуклеации дефектов, поверхности текучести и определяющее уравнение в целом. Рассматривается статистический байесовский алгоритм оптимизации параметров (обучения) моделей, в том числе с использованием эмуляторов модели. Показывается эффективность гибридных моделей материалов, сочетающих искусственные нейронные сети и «обученные» по наборам данных части в виде дифференциальных по времени уравнений.
