AgentFEM × DENIM · 材料记忆与神经本构实验室

— — 主分量 — 响应误差 — 一致性残差 —

路径相关本构响应

滞回 · 卸载 · 反向加载

历史状态保持

快—慢通道与硬化演化

弹性

快记忆0.0 MPa

慢记忆0.0 MPa

各向同性半径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 条完整留出轨迹

结构级相对误差0.50–0.64%有限元反力响应

离散稳健性 RMSE0.944 / 0.958121 / 481 增量

物理—数据融合本构建模

让已知力学负责约束，让神经网络学习未知硬化。

01 · 数据驱动

黑箱与弱物理时序模型的 Path-OOD RMSE 为 60–106 MPa。

02 · 白盒积分

完整 J2/Chaboche 方程与参数均已知，神经网络辅助积分；新路径 RMSE 为 0.0237 MPa。

03 · DENIM 闭合

隐藏三通道 Chaboche 硬化，由神经内部变量学习缺失演化；新路径 RMSE 为 1.136 MPa。

组内可以直接比较；A、B 是不同任务 · 条形越短，误差越小

Path-OOD RMSE / MPa

研究结论 在同一测试协议中，DENIM 的误差约为 Incomplete J2 的 1/52、GRU 的 1/68。

模型结构与信息流

从瞬时映射到内部变量，探索六种建模思路。

—

力学算子可学习模块

—

历史记忆—

显式物理—

神经网络职责—

路径外推—

DENIM 的位置 918 个参数 · 两条记忆通道 · 学习未知硬化演化