摘要：本文提出了一种基于物理信息的神经网络(PINN)框架来分析在Winkler-Pasternak基础上的三维功能梯度FG多孔细长梁的非线性屈曲行为.使用简单的网络,PINNs只需要很少的训练数据来获得较高的精度.在这项工作中使用的强大工具可以处理任何类型的偏微分方程.我们使用深度学习平台TensorFlow和DeepXDE库来设计我们的网络.在本研究中,PINNs框架从梁系统的控制微分方程和边界条件中获取信息,并输出临界非线性屈曲载荷.利用哈密顿原理,考虑几何的非线性,建立了数学模型.通过将建模框架应用于各种边界条件情况以及三维功能梯度FG指标等物理参数对非线性力学行为的影响,仔细检验了建模框架的准确性.最后,利用广义微分求积法(GDQM)对PINNs结果进行了验证.研究结果表明,所提出的PINN框架能够较好地表征三维功能梯度FG多孔细长梁的非线性屈曲行为.此外,PINN预测梁的非线性屈曲行为的速度比数值方法快71倍.