Fugu-MT 論文翻訳(概要): FEA-Net: A Physics-guided Data-driven Model for Efficient Mechanical Response Prediction

論文の概要: FEA-Net: A Physics-guided Data-driven Model for Efficient Mechanical Response Prediction

arxiv url: http://arxiv.org/abs/2002.01893v1
Date: Fri, 31 Jan 2020 09:37:44 GMT
ステータス: 処理完了
システム内更新日: 2023-01-05 06:11:07.215278
Title: FEA-Net: A Physics-guided Data-driven Model for Efficient Mechanical Response Prediction
Title（参考訳）: FEA-Net:効率的な機械応答予測のための物理誘導型データ駆動モデル
Authors: Houpu Yao, Yi Gao, Yongming Liu
Abstract要約: 本稿では,材料や構造物の機械的応答を予測するための物理誘導学習アルゴリズムを提案する。データ駆動モデルを構築するために、物理におけるこれまでの知識を生かした、特別なタイプのディープ畳み込みニューラルネットワーク(DCNN)が提案されている。
参考スコア（独自算出の注目度）: 20.661387229686312
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: An innovative physics-guided learning algorithm for predicting the mechanical response of materials and structures is proposed in this paper. The key concept of the proposed study is based on the fact that physics models are governed by Partial Differential Equation (PDE), and its loading/ response mapping can be solved using Finite Element Analysis (FEA). Based on this, a special type of deep convolutional neural network (DCNN) is proposed that takes advantage of our prior knowledge in physics to build data-driven models whose architectures are of physics meaning. This type of network is named as FEA-Net and is used to solve the mechanical response under external loading. Thus, the identification of a mechanical system parameters and the computation of its responses are treated as the learning and inference of FEA-Net, respectively. Case studies on multi-physics (e.g., coupled mechanical-thermal analysis) and multi-phase problems (e.g., composite materials with random micro-structures) are used to demonstrate and verify the theoretical and computational advantages of the proposed method.
Abstract（参考訳）: 本稿では,材料や構造物の機械的応答を予測するための物理誘導学習アルゴリズムを提案する。本研究の重要な概念は、物理モデルが偏微分方程式(pde)によって制御され、その負荷/応答マッピングは有限要素解析(fea)を用いて解くことができるという事実に基づいている。これに基づいて、物理におけるこれまでの知識を活用して、アーキテクチャが物理学的な意味を持つデータ駆動モデルを構築する、特別なタイプのディープ畳み込みニューラルネットワーク(DCNN)が提案されている。このタイプのネットワークはfea-netと名付けられ、外部負荷下での機械的応答を解決するために使用される。これにより、メカニカルシステムパラメータの同定と応答の計算をそれぞれfea-netの学習および推論として扱うことができる。提案手法の理論的, 計算的優位性を実証し, 検証するために, 複合力学解析と多相問題(例えば, ランダムなミクロ構造を持つ複合材料)のケーススタディを用いる。

関連論文リスト

Solving Differential Equations using Physics-Informed Deep Equilibrium Models [4.237218036051422]
本稿では、常微分方程式(ODE)の初期値問題(IVP)を解決する物理インフォームド・ディープ平衡モデル(PIDEQ)を提案する。この研究は、深層学習と物理に基づくモデリングをブリッジすることで、IVPを解くための計算技術を進歩させ、科学計算と工学の応用に寄与する。
論文参考訳（メタデータ） (2024-06-05T17:25:29Z)
Numerical analysis of physics-informed neural networks and related models in physics-informed machine learning [18.1180892910779]
物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式の前方および逆問題の数値シミュレーションのアルゴリズムとして近年広く普及している。 PINNによるPDEの近似における誤差の様々な成分の分析を効果的に行うことができる統一的なフレームワークを提供する。
論文参考訳（メタデータ） (2024-01-30T10:43:27Z)
Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文参考訳（メタデータ） (2023-10-10T13:23:05Z)
Physics Informed Recurrent Neural Networks for Seismic Response Evaluation of Nonlinear Systems [0.0]
本稿では,MDOF(Multi-of-freedom)システムの動的応答を評価するための新しい手法を提案する。本研究の目的は, 非線形構造物の地震(地震)応答を評価することである。予測された応答は、物理インフォームドRNNモデルの有効性を評価するためのFAAのような最先端の手法と比較される。
論文参考訳（メタデータ） (2023-08-16T20:06:41Z)
Symmetry Group Equivariant Architectures for Physics [52.784926970374556]
機械学習の分野では、対称性に対する認識が目覚ましいパフォーマンスのブレークスルーを引き起こしている。物理学のコミュニティと、より広い機械学習のコミュニティの両方に、理解すべきことがたくさんある、と私たちは主張する。
論文参考訳（メタデータ） (2022-03-11T18:27:04Z)
Physically Explainable CNN for SAR Image Classification [59.63879146724284]
本稿では,SAR画像分類のための新しい物理誘導型ニューラルネットワークを提案する。提案フレームワークは,(1)既存の説明可能なモデルを用いて物理誘導信号を生成すること,(2)物理誘導ネットワークを用いた物理認識特徴を学習すること,(3)従来の分類深層学習モデルに適応的に物理認識特徴を注入すること,の3つの部分からなる。実験の結果,提案手法はデータ駆動型CNNと比較して,分類性能を大幅に向上することがわかった。
論文参考訳（メタデータ） (2021-10-27T03:30:18Z)
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)
Hessian-based toolbox for reliable and interpretable machine learning in physics [58.720142291102135]
本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
論文参考訳（メタデータ） (2021-08-04T16:32:59Z)
Encoding physics to learn reaction-diffusion processes [18.187800601192787]
物理構造を符号化するディープラーニングフレームワークが,PDEシステム体制に関する様々な問題に適用可能であることを示す。物理を符号化する結果の学習パラダイムは、広範囲な数値実験により、高い精度、堅牢性、解釈可能性、一般化可能性を示す。
論文参考訳（メタデータ） (2021-06-09T03:02:20Z)
Hard Encoding of Physics for Learning Spatiotemporal Dynamics [8.546520029145853]
既知の物理知識を強制的にエンコードして,データ駆動的な学習を容易にするディープラーニングアーキテクチャを提案する。物理学の強制符号化メカニズムは、ペナルティに基づく物理学による学習と根本的に異なるが、ネットワークが与えられた物理学に厳密に従うことを保証する。
論文参考訳（メタデータ） (2021-05-02T21:40:39Z)
OrbNet: Deep Learning for Quantum Chemistry Using Symmetry-Adapted Atomic-Orbital Features [42.96944345045462]
textscOrbNetは、学習効率と転送可能性の観点から、既存のメソッドよりも優れています。薬物のような分子のデータセットに応用するために、textscOrbNetは1000倍以上の計算コストでDFTの化学的精度でエネルギーを予測する。
論文参考訳（メタデータ） (2020-07-15T22:38:41Z)

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。