A review on data-driven constitutive laws for solids

要約

この総説では、固体の経路非依存および経路依存応答を記述する構成則を発見、符号化、代替、またはエミュレートするための、データ駆動型の最新技術に焦点を当てる。我々の目的は、過去数十年間に開発された様々な方法論に整理された分類法を提供し、様々なスケールの力学挙動を解釈し予測するための様々な技術の利点と欠点について議論することである。機械学習ベースの手法とモデルフリーの手法を区別し、さらに解釈可能性と学習プロセス／必要なデータの種類に基づいてアプローチを分類し、一般化と信頼性という重要な問題について議論する。データの可用性を考慮したコンテキストにおいて、これらをどのように調和させることができるかのロードマップを提供することを試みる。また、データサンプリング技術、実験計画、検証、妥当性確認などの関連する側面についても触れる。

要約(オリジナル)

This review article highlights state-of-the-art data-driven techniques to discover, encode, surrogate, or emulate constitutive laws that describe the path-independent and path-dependent response of solids. Our objective is to provide an organized taxonomy to a large spectrum of methodologies developed in the past decades and to discuss the benefits and drawbacks of the various techniques for interpreting and forecasting mechanics behavior across different scales. Distinguishing between machine-learning-based and model-free methods, we further categorize approaches based on their interpretability and on their learning process/type of required data, while discussing the key problems of generalization and trustworthiness. We attempt to provide a road map of how these can be reconciled in a data-availability-aware context. We also touch upon relevant aspects such as data sampling techniques, design of experiments, verification, and validation.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL