ktongue/ID_Mat_PINNs

Elasticity Training - PINN for Material Parameter Identification

Application web pour l'identification des paramètres de Lamé (λ, μ) par réseaux de neurones informés par la physique (PINN).

Fonctionnalités

• —Identification de paramètres élastiques à partir de données d'observation
• —20 matériaux prédéfinis (métaux, polymères, composites)
• —Entraînement personnalisé avec vos propres paramètres
• —Prétraitement d'images expérimentales (DIC)
• —Visualisation des champs de déplacement et contrainte

Déploiement local

pip install -r requirements.txt
streamlit run app.py

Prétraitement des données expérimentales

python preprocess_user_data.py --input /path/to/images/ --output ./data/ --calibration 0.1

Options

• —--input: Dossier ou fichier ZIP contenant les images
• —--calibration: Conversion pixel -> mm
• —--geometry: Géométrie de l'échantillon (rectangular)
• —--bounds: Bornes du domaine (xmin xmax ymin ymax)

Modèles entraînés

20 matériaux prêts à l'emploi:

• —Acier, Aluminium, Cuivre, Titane, Nickel, Zinc, Laiton, Or, Argent, Platine, Tungstène
• —Béton, Verre, Caoutchouc, Bois
• —Composite carbone, Mousse polymère

Architecture PINN

• —Domaine: Carré [0,1] × [0,1]
• —Conditions aux limites: Dirichlet sur les bords gauche et inférieur
• —Réseau: FNN 4 couches cachées, 50 neurones, activation tanh
• —Loss: Équations d'équilibre + Loi de Hooke + Observations