Rediscovering the Mullins Effect With Deep Symbolic Regression

本文介绍了Mullins效应，这是在橡胶材料和软生物组织中观察到的一种软化现象。通常伴随许多其他的非弹性效应，例如残余应变和诱导各向异性。尽管长期以来已经进行了许多研究并在文献中提出了许多材料模型，但准确地建模和预测这种复杂现象仍然是一个具有挑战性的任务。本文提出了一种新的方法，使用深度符号回归（DSR）来生成描述几乎不可压的超弹性材料中Mullins效应的材料模型。这个两步框架首先确定描述主要加载的应变能函数。随后，确定描述循环加载下软化行为的损伤函数。通过使用广义Mooney-Rivlin和Ogden-Roxburgh模型的基准测试来展示所提出方法的效率。还对所提出的框架的通用性和鲁棒性进行了深入研究。此外，所提出的方法学在温度相关数据集上进行了广泛验证，证明了其多功能和可靠的性能。

本论文旨在使用深度符号回归（DSR）的方法，解决几乎不可压缩超弹性材料中的Mullins效应建模问题。

该论文提出了一个两步法框架，首先确定描述主要加载的应变能函数，然后确定描述循环加载下软化行为的损伤函数。

该方法在广义Mooney-Rivlin和Ogden-Roxburgh模型上进行了基准测试，并在温度依赖数据集上进行了广泛验证。此外，该方法具有广泛的适用性和可靠性。

最近的相关研究包括使用机器学习技术建模Mullins效应的方法，以及使用深度学习技术进行材料建模的研究。