論文の概要: Topology optimization of 2D structures with nonlinearities using deep learning

• arxiv url: http://arxiv.org/abs/2002.01896v4
• Date: Mon, 13 Apr 2020 18:51:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 07:07:36.587836
• Title: Topology optimization of 2D structures with nonlinearities using deep learning
• Title（参考訳）: 深層学習による非線形2次元構造のトポロジー最適化
• Authors: Diab W. Abueidda, Seid Koric, Nahil A. Sobh
• Abstract要約: クラウドコンピューティングは最適な非線形構造を探索することを可能にする。 最適化設計を予測するための畳み込みニューラルネットワークモデルを開発した。 開発したモデルは、反復的なスキームを必要とせずに、最適化された設計を正確に予測することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The field of optimal design of linear elastic structures has seen many exciting successes that resulted in new architected materials and structural designs. With the availability of cloud computing, including high-performance computing, machine learning, and simulation, searching for optimal nonlinear structures is now within reach. In this study, we develop convolutional neural network models to predict optimized designs for a given set of boundary conditions, loads, and optimization constraints. We have considered the case of materials with a linear elastic response with and without stress constraint. Also, we have considered the case of materials with a hyperelastic response, where material and geometric nonlinearities are involved. For the nonlinear elastic case, the neo-Hookean model is utilized. For this purpose, we generate datasets composed of the optimized designs paired with the corresponding boundary conditions, loads, and constraints, using a topology optimization framework to train and validate the neural network models. The developed models are capable of accurately predicting the optimized designs without requiring an iterative scheme and with negligible inference computational time. The suggested pipeline can be generalized to other nonlinear mechanics scenarios and design domains.
• Abstract（参考訳）: 線形弾性構造の最適設計の分野は多くのエキサイティングな成功を経験し、新しい構造材料や構造設計をもたらした。 高性能コンピューティング、機械学習、シミュレーションを含むクラウドコンピューティングが利用可能になったことで、最適な非線形構造を探すことができるようになった。 本研究では,与えられた境界条件,負荷,最適化制約に対する最適化設計を予測するための畳み込みニューラルネットワークモデルを開発する。 応力制約のない線形弾性応答を有する材料の場合について検討した。 また、材料と幾何学的非線形性が関与する超弾性応答を持つ材料についても検討した。 非線形弾性の場合、ネオ・フックモデルが用いられる。 この目的のために、トポロジ最適化フレームワークを用いて、対応する境界条件、負荷、制約と組み合わせた最適化設計からなるデータセットを生成し、ニューラルネットワークモデルのトレーニングと検証を行う。 開発したモデルは、反復的なスキームや無視可能な推論計算時間を必要とすることなく、最適化された設計を正確に予測することができる。 提案したパイプラインは他の非線形力学シナリオや設計領域に一般化することができる。

関連論文リスト

• Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
  我々は、MBOタスクの構造を学習し、経験的に改良された設計につながるモデルを開発する。 我々はCliqueformerを、高次元のブラックボックス機能から、化学・遺伝設計の現実的なタスクまで、様々なタスクで評価する。
  論文  参考訳（メタデータ） (2024-10-17T00:35:47Z)
• Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
  我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。 本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。 提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
  論文  参考訳（メタデータ） (2024-03-20T00:41:12Z)
• Functional Graphical Models: Structure Enables Offline Data-Driven Optimization [111.28605744661638]
  構造がサンプル効率のよいデータ駆動最適化を実現する方法を示す。 また、FGM構造自体を推定するデータ駆動最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-08T22:33:14Z)
• The Convex Landscape of Neural Networks: Characterizing Global Optima and Stationary Points via Lasso Models [75.33431791218302]
  ディープニューラルネットワーク(DNN)モデルは、プログラミング目的に使用される。 本稿では,凸型神経回復モデルについて検討する。 定常的非次元目的物はすべて,グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。 また, 静止非次元目的物はすべて, グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。
  論文  参考訳（メタデータ） (2023-12-19T23:04:56Z)
• Neural Metamaterial Networks for Nonlinear Material Design [29.65492571110993]
  メタマテリアルネットワーク - メタマテリアルファミリー全体の非線形力学を符号化する神経表現を提案する。 本手法は, 所望のひずみ応力曲線, 所定の方向剛性, ポアソン比プロファイルを有する材料を自動設計する。
  論文  参考訳（メタデータ） (2023-09-15T13:50:43Z)
• Optimistic Estimate Uncovers the Potential of Nonlinear Models [3.0041514772139166]
  非線形モデルの最適適合性能を評価するための楽観的な推定法を提案する。 行列因数分解モデル,深層モデル,および完全連結あるいは畳み込みアーキテクチャを持つディープニューラルネットワーク(DNN)の楽観的なサンプルサイズを推定する。
  論文  参考訳（メタデータ） (2023-07-18T01:37:57Z)
• Deep convolutional neural network for shape optimization using level-set approach [0.0]
  本稿では,深部畳み込みニューラルネットワーク(CNN)を用いた形状最適化のための低次モデリング手法を提案する。 CNNベースのリダクションオーダーモデル(ROM)は完全にデータ駆動型で構築され、非侵襲的なアプリケーションに適している。
  論文  参考訳（メタデータ） (2022-01-17T04:41:51Z)
• LQF: Linear Quadratic Fine-Tuning [114.3840147070712]
  本稿では,非線形微調整に匹敵する性能を実現する事前学習モデルの線形化手法を提案する。 LQFはアーキテクチャの単純な変更、損失関数、そして一般的に分類に使用される最適化で構成されている。
  論文  参考訳（メタデータ） (2020-12-21T06:40:20Z)
• An AI-Assisted Design Method for Topology Optimization Without Pre-Optimized Training Data [68.8204255655161]
  トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。 設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
  論文  参考訳（メタデータ） (2020-12-11T14:33:27Z)
• QRnet: optimal regulator design with LQR-augmented neural networks [2.8725913509167156]
  本研究では,高次元非線形系の最適レギュレータを設計するための新しい計算手法を提案する。 提案手法は,高次元ハミルトン・ヤコビ・ベルマン方程式を解くために物理インフォームド・機械学習を利用する。 我々は、状態空間を離散化せずに生成されたデータに基づいて拡張モデルを訓練し、高次元問題への適用を可能にする。
  論文  参考訳（メタデータ） (2020-09-11T23:50:17Z)
• The role of optimization geometry in single neuron learning [12.891722496444036]
  近年,表現型ニューラルネットワークの学習において,最適化アルゴリズムの選択が一般化性能に影響を与えることが実証されている。 幾何学と特徴幾何学の相互作用が、どのようにしてアウト・オブ・サンプレットを導き、性能を向上させるかを示す。
  論文  参考訳（メタデータ） (2020-06-15T17:39:44Z)

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。