PNAS Nexus· 2026Q1
TIP-INN: Kayaların Mekanik Davranışı İçin Termodinamik Bilgili Makine Öğrenmesi Çerçevesi
TIP-INN: A thermodynamics-informed machine learning framework for the mechanical behavior of rocks
- 1atıf
- Q1SCImago
- 2026yıl
Kısa özet
Genelleştirilmiş Standart Malzemeler formülasyonuna dayanan yeni bir makine öğrenmesi çerçevesi olan TIP-INN, gerilme-şekil değiştirme verilerinden doğrudan yapısal yasaları öğrenir, negatif olmayan dissipasyonu mimari olarak garanti eder ve önceki yöntemlere göre 10-30 kat daha hızlı eğitim ve iki büyüklük mertebesine kadar daha az ekstrapolasyon hatası elde eder.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- TIP-INN, termodinamik potansiyelleri (Helmholtz serbest enerjisi ve dual dissipasyon potansiyeli) eğiterek kaya mekaniği için yapısal yasaları öğrenir.
- Çerçeve, termodinamik tutarlılığı sağlayan negatif olmayan mekanik dissipasyonu mimari olarak garanti eder.
- TIP-INN, varyasyonel temellere göre 10-30 kat daha hızlı eğitilir ve ekstrapolasyon hatasını iki büyüklük mertebesine kadar azaltır.
- Ters problemdeki benzersizlik sorunları, çeşitli yükleme protokolleri ve sismik-akustik veri asimilasyonu kullanılarak çözülür.
- Öğrenilen potansiyeller, jeodinamik kodlarda kullanım için kapalı form ifadeler halinde damıtılır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Abstract Modeling the mechanical deformation of geological materials across relevant thermodynamic conditions and dynamic processes remains a fundamental challenge in Earth sciences. Conventional rheological models rely on isolated disciplinary approaches and hard-coded iterative solvers that struggle with strongly coupled, non-linear constitutive laws. Inverting macroscopic laboratory data to infer sub-grid micro-physics is also ill-posed, producing structural non-uniqueness and models that may violate thermodynamic laws during transient loading. To address these limitations, we present TIP-INN (Thermodynamics of Irreversible Processes Informed Neural Network), a thermodynamically consistent machine learning framework grounded in the Generalized Standard Materials (GSM) formalism. TIP-INN discovers constitutive laws directly from time-series stress-strain data by learning two strictly convex thermodynamic potentials-the Helmholtz free energy and the dual dissipation potential-architecturally guaranteeing non-negative mechanical dissipation. A continuous, differentiable neural integrator solves internal state variable (ISV) evolution as an initial-value problem, enabling stable, rapid training across complex rheologies. Benchmarked against existing thermodynamics-informed networks, TIP-INN trains 10 to 30 times faster than variational baselines and reduces extrapolation error by up to two orders of magnitude. We resolve the non-uniqueness of this inverse problem through two strategies: (1) diverse loading protocols (e.g., cyclic and stress-relaxation paths) that map the full geometry of the potential state space, and (2) a multi-modal loss assimilating auxiliary seismo-acoustic data. TIP-INN thus rigorously bridges continuum damage mechanics and laboratory seismology. Finally, to ensure physical interpretability, the learned potentials are distilled via Sparse Identification of Nonlinear Potentials (SINP) into closed-form expressions for efficient implementation in geodynamic codes.
Yazarların özeti; kaynağından alınmıştır. PNAS Nexus, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Malzeme Mekaniği
Mechanics of MaterialsEngineering