論文の概要: Geometric deep learning for computational mechanics Part I: Anisotropic
Hyperelasticity
- arxiv url: http://arxiv.org/abs/2001.04292v1
- Date: Wed, 8 Jan 2020 02:07:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-13 12:39:25.235265
- Title: Geometric deep learning for computational mechanics Part I: Anisotropic
Hyperelasticity
- Title(参考訳): 計算力学のための幾何学的深層学習 その1:異方性超弾性
- Authors: Nikolaos Vlassis, Ran Ma, WaiChing Sun
- Abstract要約: 本稿では, 幾何学的深層学習を用いた最初の試みであり, ソボレフトレーニングには非ユークリッドマイクロ構造データが含まれており, 異方性超構造体機械学習モデルを有限変形範囲でトレーニングすることができる。
- 参考スコア(独自算出の注目度): 1.8606313462183062
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper is the first attempt to use geometric deep learning and Sobolev
training to incorporate non-Euclidean microstructural data such that
anisotropic hyperelastic material machine learning models can be trained in the
finite deformation range. While traditional hyperelasticity models often
incorporate homogenized measures of microstructural attributes, such as
porosity averaged orientation of constitutes, these measures cannot reflect the
topological structures of the attributes. We fill this knowledge gap by
introducing the concept of weighted graph as a new mean to store topological
information, such as the connectivity of anisotropic grains in assembles. Then,
by leveraging a graph convolutional deep neural network architecture in the
spectral domain, we introduce a mechanism to incorporate these non-Euclidean
weighted graph data directly as input for training and for predicting the
elastic responses of materials with complex microstructures. To ensure
smoothness and prevent non-convexity of the trained stored energy functional,
we introduce a Sobolev training technique for neural networks such that stress
measure is obtained implicitly from taking directional derivatives of the
trained energy functional. By optimizing the neural network to approximate both
the energy functional output and the stress measure, we introduce a training
procedure the improves efficiency and generalize the learned energy functional
for different microstructures. The trained hybrid neural network model is then
used to generate new stored energy functional for unseen microstructures in a
parametric study to predict the influence of elastic anisotropy on the
nucleation and propagation of fracture in the brittle regime.
- Abstract(参考訳): 本稿では,幾何学的深層学習とソボレフ学習を用いて非ユークリッド的構造データを取り込んで,非等方性超弾性材料機械学習モデルを有限変形範囲で訓練する最初の試みである。
伝統的な超弾性モデルは、しばしば構造的特性の均質化測度(例えば、構成構成のポロシティ平均化配向など)を取り入れるが、これらの測度は属性の位相構造を反映しない。
この知識ギャップを埋めるために,重み付きグラフという概念を,アセンブル内の異方性粒子の接続など,位相情報を保存する新しい手段として導入する。
次に、スペクトル領域におけるグラフ畳み込み深層ニューラルネットワークアーキテクチャを活用し、これらの非ユークリッド重み付きグラフデータをトレーニング用入力として直接組み込んで、複雑なミクロ構造を持つ材料の弾性応答を予測する機構を導入する。
トレーニングされたエネルギー関数の非凸性を確保するために、トレーニングされたエネルギー関数の方向微分を暗黙的に得られるような、ニューラルネットワークのためのソボレフトレーニング手法を導入する。
ニューラルネットワークを最適化してエネルギー汎関数出力と応力測定の両方を近似することにより、異なるミクロ構造に対して学習エネルギー汎関数を最適化する訓練手順を導入する。
次に、トレーニングされたハイブリッドニューラルネットワークモデルを用いて、未確認のミクロ構造に機能する新しい貯蔵エネルギーをパラメトリックで生成し、脆性状態における破壊の核形成と伝播に対する弾性異方性の影響を予測する。
関連論文リスト
- Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。
我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
論文 参考訳(メタデータ) (2025-02-16T23:13:55Z) - Symmetry-enforcing neural networks with applications to constitutive modeling [0.0]
本研究では,非線形および履歴依存行動を示す複雑なミクロ構造を均質化するために,最先端のマイクロメカニカルモデリングと高度な機械学習技術を組み合わせる方法について述べる。
結果として得られるホモジェナイズドモデルであるスマート法則(SCL)は、従来の並列マルチスケールアプローチで必要とされる計算コストのごく一部で、マイクロインフォメーション法を有限要素ソルバに適用することができる。
本研究では、ニューロンレベルで物質対称性を強制する新しい方法論を導入することにより、SCLの機能を拡張する。
論文 参考訳(メタデータ) (2023-12-21T01:12:44Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - NN-EUCLID: deep-learning hyperelasticity without stress data [0.0]
本稿では,物理一貫性のあるディープニューラルネットワークを用いた超弾性法則の教師なし学習手法を提案する。
応力-ひずみを仮定する教師付き学習とは対照的に,本手法は実測可能な全弾性場変位と大域的力可用性データのみを用いる。
論文 参考訳(メタデータ) (2022-05-04T13:54:54Z) - MD-inferred neural network monoclinic finite-strain hyperelasticity
models for $\beta$-HMX: Sobolev training and validation against physical
constraints [2.3816618027381438]
我々は,モノクリニック有機分子結晶$beta$-HMXの異方性弾性応答を予測するためにニューラルネットワークを訓練し,検証した。
我々は、異なるソボレフ制約下でのニューラルネットワークのトレーニング効率を比較し、$beta$-HMXのMDベンチマークに対してモデルの正確性と堅牢性を評価する。
論文 参考訳(メタデータ) (2021-11-29T23:38:31Z) - A deep learning driven pseudospectral PCE based FFT homogenization
algorithm for complex microstructures [68.8204255655161]
提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。
提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
論文 参考訳(メタデータ) (2021-10-26T07:02:14Z) - Thermodynamics-based Artificial Neural Networks (TANN) for multiscale
modeling of materials with inelastic microstructure [0.0]
マルチスケールの均質化手法は、非弾性材料のマクロ力学的挙動の信頼性と正確な予測を行うためにしばしば用いられる。
ディープラーニングに基づくデータ駆動型アプローチは、アドホックな法則や高速な数値手法に代わる、有望な代替手段として台頭している。
本稿では,非弾性・複雑な構造を持つ機械材料のモデリングのための熱力学に基づくニューラルネットワーク(TANN)を提案する。
論文 参考訳(メタデータ) (2021-08-30T11:50:38Z) - Gradient Starvation: A Learning Proclivity in Neural Networks [97.02382916372594]
グラディエント・スターベーションは、タスクに関連する機能のサブセットのみをキャプチャすることで、クロスエントロピー損失を最小化するときに発生する。
この研究は、ニューラルネットワークにおけるそのような特徴不均衡の出現に関する理論的説明を提供する。
論文 参考訳(メタデータ) (2020-11-18T18:52:08Z) - Hyperbolic Neural Networks++ [66.16106727715061]
ニューラルネットワークの基本成分を1つの双曲幾何モデル、すなわちポアンカーの球モデルで一般化する。
実験により, 従来の双曲成分と比較してパラメータ効率が優れ, ユークリッド成分よりも安定性と性能が優れていた。
論文 参考訳(メタデータ) (2020-06-15T08:23:20Z) - Understanding Generalization in Deep Learning via Tensor Methods [53.808840694241]
圧縮の観点から,ネットワークアーキテクチャと一般化可能性の関係について理解を深める。
本稿では、ニューラルネットワークの圧縮性と一般化性を強く特徴付ける、直感的で、データ依存的で、測定が容易な一連の特性を提案する。
論文 参考訳(メタデータ) (2020-01-14T22:26:57Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。