Meta-modeling game for deriving theory-consistent, microstructure-based traction–separation laws via deep reinforcement learning

强化学习 计算机科学 人工智能 稳健性(进化) 适应度函数 隐马尔可夫模型 人工神经网络 机器学习 算法 遗传算法 生物化学 基因 化学
作者
Kun Wang,WaiChing Sun
出处
期刊:Computer Methods in Applied Mechanics and Engineering [Elsevier]
卷期号:346: 216-241 被引量:108
标识
DOI:10.1016/j.cma.2018.11.026
摘要

This paper presents a new meta-modeling framework that employs deep reinforcement learning (DRL) to generate mechanical constitutive models for interfaces. The constitutive models are conceptualized as information flow in directed graphs. The process of writing constitutive models is simplified as a sequence of forming graph edges with the goal of maximizing the model score (a function of accuracy, robustness and forward prediction quality). Thus meta-modeling can be formulated as a Markov decision process with well-defined states, actions, rules, objective functions and rewards. By using neural networks to estimate policies and state values, the computer agent is able to efficiently self-improve the constitutive model it generated through self-playing, in the same way AlphaGo Zero (the algorithm that outplayed the world champion in the game of Go) improves its gameplay. Our numerical examples show that this automated meta-modeling framework does not only produces models which outperform existing cohesive models on benchmark traction–separation data, but is also capable of detecting hidden mechanisms among micro-structural features and incorporating them in constitutive models to improve the forward prediction accuracy, both of which are difficult tasks to do manually.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
一口吃掉橘子完成签到 ,获得积分10
7秒前
scarlet完成签到 ,获得积分10
11秒前
11秒前
amy完成签到,获得积分0
12秒前
Dr_Shi发布了新的文献求助10
16秒前
tmobiusx完成签到,获得积分10
23秒前
袁青欣完成签到 ,获得积分10
24秒前
air-yi完成签到 ,获得积分10
29秒前
鲲鹏完成签到 ,获得积分10
29秒前
lyp7028完成签到 ,获得积分10
33秒前
ghost完成签到 ,获得积分10
40秒前
迷路柜子完成签到 ,获得积分10
49秒前
马大翔完成签到,获得积分0
1分钟前
在九月完成签到 ,获得积分10
1分钟前
dormraider完成签到,获得积分10
1分钟前
开拖拉机的医学僧完成签到 ,获得积分10
1分钟前
整齐的大开完成签到 ,获得积分10
1分钟前
欣喜的薯片完成签到 ,获得积分10
1分钟前
一枝完成签到 ,获得积分10
1分钟前
培培完成签到 ,获得积分10
1分钟前
巫巫巫巫巫完成签到 ,获得积分10
1分钟前
1分钟前
Cai完成签到,获得积分10
1分钟前
青黛完成签到 ,获得积分10
1分钟前
习月阳完成签到,获得积分10
1分钟前
Ryoman完成签到,获得积分10
1分钟前
兔兔完成签到 ,获得积分10
1分钟前
WD完成签到 ,获得积分10
1分钟前
1分钟前
抹茶拿铁加奶砖完成签到 ,获得积分10
1分钟前
最美夕阳红完成签到,获得积分10
1分钟前
HHM发布了新的文献求助10
1分钟前
晨曦完成签到 ,获得积分10
1分钟前
时尚语梦完成签到 ,获得积分10
2分钟前
DAHove完成签到 ,获得积分10
2分钟前
tuanheqi应助科研通管家采纳,获得30
2分钟前
tuanheqi应助科研通管家采纳,获得30
2分钟前
CodeCraft应助哭泣朋友采纳,获得10
2分钟前
所所应助Omni采纳,获得10
2分钟前
杨永佳666完成签到 ,获得积分10
2分钟前
高分求助中
Evolution 10000
Sustainability in Tides Chemistry 2800
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
An Introduction to Geographical and Urban Economics: A Spiky World Book by Charles van Marrewijk, Harry Garretsen, and Steven Brakman 500
Diagnostic immunohistochemistry : theranostic and genomic applications 6th Edition 500
Chen Hansheng: China’s Last Romantic Revolutionary 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3150630
求助须知:如何正确求助?哪些是违规求助? 2802158
关于积分的说明 7846153
捐赠科研通 2459431
什么是DOI,文献DOI怎么找? 1309243
科研通“疑难数据库(出版商)”最低求助积分说明 628793
版权声明 601757