深度学习模型预测粘弹性接触粘附力

Ali Maghami 等人发表论文，训练了一个标量条件化、有状态的序列到序列深度学习模型，可从给定位移历史预测粘弹性 Hertzian 接触中短程与长程粘附机制下的完整力演化轨迹。 该模型的数据集覆盖四个数量级的加载与卸载速率，Tabor 参数从 0.2 到 3.2，并引入固定测量步长（FMS）表示以跨异构时间尺度学习。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。