对于热响应水凝膨胀的物理信息神经网络:集成构成模型与稀缺的实验数据
Seyed Amirmasoud Takmili1,2, Eunsoo Choi3, Alireza Ostadrahimi3
1School of Mechanical Engineering, College of Engineering, University of Tehran, Tehran 14399-57131, Iran.
Materials (Basel, Switzerland)
|December 11, 2025
概括
基于物理学的神经网络 (PINNs) 准确地预测温度敏感的Poly (N) - 异烯胺 (PNIPAM) 水凝中的胀. 这种方法提高了软执行器和生物医学系统的设计.
科学领域:
- 聚合物科学 聚合物科学
- 材料科学 材料科学 材料科学
- 计算科学 计算科学
背景情况:
- 聚N-异烯胺 (PNIPAM) 水凝表现出对温度敏感的胀,在凝崩温度 (GCT) 附近构成预测挑战.
- 准确的建模对于软执行器和生物医学系统中的应用至关重要.
研究的目的:
- 开发一个基于物理学的神经网络 (PINN),以便在不同条件下准确预测PNIPAM水凝膨胀.
- 整合治理物理方程与稀疏的实验数据,以进行可靠的模型开发.
主要方法:
- 开发了一个PINN模型,其中包含了一个稳定自由能量模型.
- 从自由和单轴约束的胀实验中获得的稀少数据被同化.
- 该PINN在不同的交叉连接密度上进行了训练和验证.
主要成果:
- PINN 显著降低了测试根平均平方误差 (RMSE) 高达 65%,在约束条件下相对误差超过 40%.
- 预测间隔缩小了,没有过度贴合,改善了免费胀的覆盖率,从61.9%提高到76.2%.
- 该模型准确地捕获了GCT附近的过渡斜率和热力学稳定性.
结论:
- PINNs为热反应性水凝提供了可靠的替代模型,克服了预测胀行为的挑战.
- 这种框架可以在最小的数据中准确地预测胀和应力,从而促进基于水凝的先进设备的设计.


