AgentFEM × DENIM · 材料记忆与神经本构实验室

— — 显示分量 — 应力误差 — 屈服条件残差 —

应力如何随加载变化

滞回 · 卸载 · 反向加载

保留加载历史

两条记忆通道的变化

弹性

快变通道0.0 MPa

慢变通道0.0 MPa

各向同性硬化0.0 MPa

等效塑性应变0.0000

应变分量平面

Path-OOD RMSE1.136 MPaDENIM

Path-OOD R²0.99990232 条未参与训练的加载路径

结构计算相对误差0.50–0.64%有限元反力响应

不同步长下的 RMSE0.944 / 0.958121 / 481 增量

结合力学方程与数据的本构建模

DENIM 保留已知力学方程，用网络学习未知的硬化规律。

01 · 数据驱动

数据驱动模型在新加载路径上的应力预测误差为 60–106 MPa（RMSE）。

02 · 已知方程求解

已知完整的 J2/Chaboche 方程和参数，网络辅助求解；新加载路径上的 RMSE 为 0.0237 MPa。

03 · DENIM

不提供三通道 Chaboche 硬化规律，由 DENIM 从数据中学习；新加载路径上的 RMSE 为 1.136 MPa。

A、B 两组任务分别比较；条形越短，误差越小

Path-OOD RMSE / MPa

研究结论 在 B 组测试中，DENIM 的误差约为 Incomplete J2 的 1/52、GRU 的 1/68。

模型结构与信息流

选择一个模型，查看输入、计算过程，以及历史信息如何保留。

—

力学算子可学习模块

—

如何保留历史—

已知力学关系—

网络学习什么—

新路径预测—

DENIM 模型 918 个参数 · 两条记忆通道 · 学习未知的硬化规律