知识卡片：一种用于双材料系统弹性动力波传播的物理信息神经网络框架

一句话结论

本研究提出了一种基于物理信息神经网络（PINN）的框架，用于模拟双材料系统中的瞬态弹性动力波传播，能够准确预测波在界面的透射和反射，并在不依赖额外有限元模拟的情况下预测新时刻和修改材料属性后的波响应，为高速固体力学和冲击工程提供高效代理模型。

事件概述 / 研究问题

传统的弹性动力波动模拟通常依赖有限元方法（如ANSYS Workbench Explicit Dynamics），但计算成本高、缺乏连续解析形式。该研究旨在利用物理信息神经网络（PINN），将控制方程（轴对称线性弹性动力学方程）、初始条件、边界条件和界面条件嵌入损失函数，直接学习波传播过程，从而提供一个连续且计算高效的替代模型。

方法 / 产品要点

物理信息神经网络（PINN）：将弹性动力学偏微分方程及其初始、边界和界面条件通过损失函数直接整合到神经网络训练中。
研究对象：以钢-铝双材料试件（代表分离式霍普金森压杆配置）为案例。
验证与数据辅助：使用ANSYS Workbench Explicit Dynamics进行高保真有限元模拟，结果既用于验证，也作为训练中的补充数据约束。
连续代理模型：训练后的网络可以预测未曾见过的时间点的波响应，以及修改材料属性后的响应，无需重新进行有限元模拟。
鲁棒性与通用性：进行了网格敏感性测试和额外材料组合验证。

主要结果或产业意义

准确预测了双材料界面处的波透射与反射。
再现了轴向和径向位移历史、面平均响应、主导应力和应变演化，与有限元解高度一致。
可作为连续代理模型，显著降低后续参数研究或设计优化的计算成本。
适用于高速固体力学（如冲击工程）中的异构材料波传播问题。

为什么重要

效率提升：PINN训练完成后，可在瞬间预测新工况，避免重复耗时的高保真有限元计算。
物理嵌入：模型自然地遵循物理定律，减少对大量标注数据的依赖。
连续性与泛化性：能够连续预测时间和材料属性变化，为工程设计提供灵活工具。
验证可靠：与成熟商业有限元软件结果高度吻合，增强了方法可信度。

局限与不确定性

待核实：论文中未明确提及PINN训练所需计算资源与有限元模拟相比的具体比值（如时间、显存）。
待核实：对于更复杂的非线性材料本构或三维几何，该方法是否同样有效尚待验证。
待核实：界面条件（如粘接完美或存在滑移）的敏感性分析未在摘要中详细说明。
待核实：方法推广到更大规模或更高频率波动时的数值稳定性未提及。

可用于图书/PPT/简报的角度

主题一：物理信息神经网络（PINN）在固体力学中的应用——以双材料波传播为例。
主题二：如何将有限元数据与PINN结合构建高效代理模型。
主题三：冲击工程中的快速模拟技术：从传统FEM到PINN。
主题四：双材料界面波传播的PINN预测：准确性与效率比较。

原始材料

英文标题：A Physics-Informed Neural Network Framework for Elastodynamic Wave Propagation in Bimaterial Systems
英文关键词：Physics-informed neural networks, elastodynamic wave propagation, bimaterial, surrogate modeling, split Hopkinson pressure bar
来源：arXiv预印本，ID: 2607.06479v1，URL: https://arxiv.org/abs/2607.06479v1
作者：Sonal Ankush Chibire, Jenn-Terng Gau, Bo Zhang
出版日期：2026-07-07