Recent Advances and Applications of Machine Learning in Experimental Solid Mechanics: A Review

要約

何十年もの間、実験的固体力学は、天然および新規材料の機械的特性を特徴付け、理解する上で重要な役割を果たしてきました。
機械学習 (ML) の最近の進歩は、実験計画、データ分析、不確実性の定量化、逆問題など、この分野に新しい機会を提供しています。
この新興分野で近年発表された論文の数が爆発的に増加しているため、実験固体力学における最近の ML アプリケーションの包括的かつ最新のレビューを実施するのはタイムリーです。
ここでは、最初に、このレビューに関連する一般的な ML アルゴリズムと用語の概要を説明し、物理学に基づいた物理学ベースの ML メソッドに重点を置きます。
次に、破壊力学、バイオメカニクス、ナノおよびマイクロメカニクス、建築材料、2D 材料など、実験力学の伝統的および新興分野における最近の ML アプリケーションを徹底的にカバーします。
最後に、ML をマルチモダリティおよびマルチフィデリティの実験データセットに適用する際の現在の課題を強調し、将来の研究の方向性をいくつか提案します。
このレビューは、ML メソッドの使用に関する貴重な洞察と、固体力学の研究者が実験に統合するためのさまざまな例を提供することを目的としています。

要約(オリジナル)

For many decades, experimental solid mechanics has played a crucial role in characterizing and understanding the mechanical properties of natural and novel materials. Recent advances in machine learning (ML) provide new opportunities for the field, including experimental design, data analysis, uncertainty quantification, and inverse problems. As the number of papers published in recent years in this emerging field is exploding, it is timely to conduct a comprehensive and up-to-date review of recent ML applications in experimental solid mechanics. Here, we first provide an overview of common ML algorithms and terminologies that are pertinent to this review, with emphasis placed on physics-informed and physics-based ML methods. Then, we provide thorough coverage of recent ML applications in traditional and emerging areas of experimental mechanics, including fracture mechanics, biomechanics, nano- and micro-mechanics, architected materials, and 2D material. Finally, we highlight some current challenges of applying ML to multi-modality and multi-fidelity experimental datasets and propose several future research directions. This review aims to provide valuable insights into the use of ML methods as well as a variety of examples for researchers in solid mechanics to integrate into their experiments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google