Buchumschlag

A physics-augmented neural network framework for finite strain incompressible viscoelasticity

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kalina, Karl A., Brummund, Jörg, Kästner, Markus
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computational Engineering, Finance, and Science
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A dual-stage constitutive modeling framework based on finite strain data-driven identification and physics-augmented neural networks
von: Linden, Lennart, et al.
Veröffentlicht: (2025)

Viscoelasticty with physics-augmented neural networks: Model formulation and training methods without prescribed internal variables
von: Rosenkranz, Max, et al.
Veröffentlicht: (2024)

Neural networks meet anisotropic hyperelasticity: A framework based on generalized structure tensors and isotropic tensor functions
von: Kalina, Karl A., et al.
Veröffentlicht: (2024)

A data-driven multiscale scheme for anisotropic finite strain magneto-elasticity
von: Roth, Heinrich T., et al.
Veröffentlicht: (2025)

Inverse design of anisotropic microstructures using physics-augmented neural networks
von: Jadoon, Asghar A., et al.
Veröffentlicht: (2024)

Multiscale topology optimization of compressible and nearly incompressible anisotropic hyperelastic structures using physics-augmented neural networks
von: Jadoon, Asghar A., et al.
Veröffentlicht: (2026)

Multiscale topology optimization of functionally graded lattice structures based on physics-augmented neural network material models
von: Stollberg, Jonathan, et al.
Veröffentlicht: (2024)

Physics-augmented neural networks for constitutive modeling of hyperelastic geometrically exact beams
von: Schommartz, Jasper O., et al.
Veröffentlicht: (2024)

Test-time data augmentation: improving predictions of recurrent neural network models of composites
von: Uvdal, Petter, et al.
Veröffentlicht: (2024)

A surrogate model for computational homogenization of elastostatics at finite strain using the HDMR-based neural network approximator
von: Nguyen-Thanh, Vien Minh, et al.
Veröffentlicht: (2019)

Nonlinear electro-elastic finite element analysis with neural network constitutive models
von: Klein, Dominik K., et al.
Veröffentlicht: (2024)

PINN-MG: A physics-informed neural network for mesh generation
von: Wang, Min, et al.
Veröffentlicht: (2025)

Automated machine learning for physics-informed convolutional neural networks
von: Zhou, Wanyun, et al.
Veröffentlicht: (2024)

Data-efficient inverse design of spinodoid metamaterials
von: Rosenkranz, Max, et al.
Veröffentlicht: (2025)

Automated model discovery of finite strain elastoplasticity from uniaxial experiments
von: Jadoon, Asghar A., et al.
Veröffentlicht: (2024)

Experiment-informed finite-strain inverse design of spinodal metamaterials
von: Thakolkaran, Prakash, et al.
Veröffentlicht: (2023)

A phase-field framework for anisotropic viscoelastic-viscoplastic fracture in short fiber-reinforced polymers in hygrothermal environments
von: Arash, Behrouz, et al.
Veröffentlicht: (2026)

Surface profile recovery from electromagnetic field with physics--informed neural networks
von: Chen, Yuxuan, et al.
Veröffentlicht: (2024)

A finite strain model for fiber angle plasticity of textile fabrics based on isogeometric shell finite elements
von: Duong, Thang Xuan, et al.
Veröffentlicht: (2024)

VW-PINNs: A volume weighting method for PDE residuals in physics-informed neural networks
von: Song, Jiahao, et al.
Veröffentlicht: (2024)

A Hybrid High-Order method for finite elastoplastic deformations within a logarithmic strain framework
von: Abbas, Mickaël, et al.
Veröffentlicht: (2019)

A comparative study of micromorphic gradient-extensions for anisotropic damage at finite strains
von: van der Velden, Tim, et al.
Veröffentlicht: (2023)

A hybrid global local computational framework for ship hull structural analysis using homogenized model and graph neural network
von: Cai, Yuecheng, et al.
Veröffentlicht: (2025)

A physics-enhanced multi-modal fused neural network for predicting contamination length interval in pipeline
von: Du, Jian, et al.
Veröffentlicht: (2024)

An Efficient Bayesian Framework for Inverse Problems via Optimization and Inversion: Surrogate Modeling, Parameter Inference, and Uncertainty Quantification
von: Chiappetta, Mihaela, et al.
Veröffentlicht: (2026)

Micromechanically motivated finite-strain phase-field fracture model to investigate damage in crosslinked elastomers
von: Josyula, S. P., et al.
Veröffentlicht: (2024)

An anisotropic, brittle damage model for finite strains with a generic damage tensor regularization
von: van der Velden, Tim, et al.
Veröffentlicht: (2024)

Domain decomposition of large neural network surrogate models
von: Gödde, Timm, et al.
Veröffentlicht: (2026)

Simulation of parametrized cardiac electrophysiology in three dimensions using physics-informed neural networks
von: Gomez, Roshan Antony, et al.
Veröffentlicht: (2025)

Investigations of effect of temperature and strain dependent material properties on thermoelastic damping -- A generalized 3-D finite element formulation
von: Dixit, Saurabh
Veröffentlicht: (2024)

A novel, finite-element-based framework for sparse data solution reconstruction and multiple choices
von: Bielajewa, Wiera, et al.
Veröffentlicht: (2024)

Learning solutions of parametric Navier-Stokes with physics-informed neural networks
von: Naderibeni, M., et al.
Veröffentlicht: (2024)

Simultaneous solution of incompressible Navier-Stokes flows on multiple surfaces
von: Kaiser, Michael Wolfgang, et al.
Veröffentlicht: (2025)

Convolutional neural network based reduced order modeling for multiscale problems
von: Zhang, Xuhan, et al.
Veröffentlicht: (2024)

Real-time design of architectural structures with differentiable mechanics and neural networks
von: Pastrana, Rafael, et al.
Veröffentlicht: (2024)

GrainGNN: A dynamic graph neural network for predicting 3D grain microstructure
von: Qin, Yigong, et al.
Veröffentlicht: (2024)

Crack detection by holomorphic neural networks and transfer-learning-enhanced genetic optimization
von: Hund, Jonas, et al.
Veröffentlicht: (2025)

Physics-informed neural networks with curriculum training for poroelastic flow and deformation processes
von: Bekele, Yared W.
Veröffentlicht: (2024)

Neural-operator element method: Efficient and scalable finite element method enabled by reusable neural operators
von: Ouyang, Weihang, et al.
Veröffentlicht: (2025)

Gaussian process regression + deep neural network autoencoder for probabilistic surrogate modeling in nonlinear mechanics of solids
von: Deshpande, Saurabh, et al.
Veröffentlicht: (2024)