論文の概要: A Compact Spectral Descriptor for Shape Deformations
- arxiv url: http://arxiv.org/abs/2003.08758v1
- Date: Tue, 10 Mar 2020 10:34:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-24 21:03:24.322765
- Title: A Compact Spectral Descriptor for Shape Deformations
- Title（参考訳）: 形状変形のための小型分光ディスクリプタ
- Authors: Skylar Sible, Rodrigo Iza-Teran, Jochen Garcke, Nikola Aulig, Patricia
Wollstadt
- Abstract要約: 本研究では, 応力下での塑性変形挙動のパラメータ化手法を提案する。
既存のパラメータ化は計算解析を比較的単純な変形に制限する。
本稿では,スペクトルメッシュ処理に基づく変形挙動のコンパクト記述子を導出する手法を提案する。
- 参考スコア（独自算出の注目度）: 0.8268443804509721
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern product design in the engineering domain is increasingly driven by
computational analysis including finite-element based simulation, computational
optimization, and modern data analysis techniques such as machine learning. To
apply these methods, suitable data representations for components under
development as well as for related design criteria have to be found. While a
component's geometry is typically represented by a polygon surface mesh, it is
often not clear how to parametrize critical design properties in order to
enable efficient computational analysis. In the present work, we propose a
novel methodology to obtain a parameterization of a component's plastic
deformation behavior under stress, which is an important design criterion in
many application domains, for example, when optimizing the crash behavior in
the automotive context. Existing parameterizations limit computational analysis
to relatively simple deformations and typically require extensive input by an
expert, making the design process time intensive and costly. Hence, we propose
a way to derive a compact descriptor of deformation behavior that is based on
spectral mesh processing and enables a low-dimensional representation of also
complex deformations.We demonstrate the descriptor's ability to represent
relevant deformation behavior by applying it in a nearest-neighbor search to
identify similar simulation results in a filtering task. The proposed
descriptor provides a novel approach to the parametrization of geometric
deformation behavior and enables the use of state-of-the-art data analysis
techniques such as machine learning to engineering tasks concerned with plastic
deformation behavior.
- Abstract（参考訳）: 工学領域における現代の製品設計は、有限要素に基づくシミュレーション、計算最適化、機械学習のような現代的なデータ分析技術を含む計算分析によってますます推進されている。
これらの手法を適用するには、開発中のコンポーネントや関連する設計基準に適したデータ表現が必要となる。
コンポーネントの幾何学は一般にポリゴン表面メッシュで表されるが、効率的な計算解析を実現するために重要な設計特性をどのようにパラメトリズするかは明確ではない。
本研究では,自動車の衝突挙動を最適化する場合など,多くの応用分野において重要な設計基準となる応力下での部品の塑性変形挙動をパラメータ化するための新しい手法を提案する。
既存のパラメータ化は計算解析を比較的単純な変形に制限し、一般に専門家による広範な入力を必要とし、設計プロセスは集中的でコストがかかる。
そこで本研究では, スペクトルメッシュ処理に基づく変形挙動のコンパクトな記述子を導出し, 同様に複雑な変形の低次元表現を可能にする手法を提案する。
提案するディスクリプタは, 幾何学的変形挙動のパラメトリゼーションに対する新しいアプローチを提供し, 塑性変形挙動に関する工学的課題に対する機械学習などの最先端データ解析技術の利用を可能にする。
関連論文リスト
- Physics-Informed Geometric Operators to Support Surrogate, Dimension Reduction and Generative Models for Engineering Design [38.00713966087315]
本研究では,代用/分別モデルのトレーニングに供される幾何データを強化するための物理インフォームド幾何演算子(GO)のセットを提案する。
GOは形状の微分的および積分的性質を利用して、高レベルの固有幾何学的情報と物理を訓練に使用する特徴ベクトルに注入する。
論文 参考訳（メタデータ） (2024-07-10T12:50:43Z) - A hybrid numerical methodology coupling Reduced Order Modeling and Graph Neural Networks for non-parametric geometries: applications to structural dynamics problems [0.0]
本研究は、複雑な物理系を管理する時間領域偏微分方程式(PDE)の数値解析を高速化するための新しいアプローチを導入する。
この手法は、古典的低次モデリング(ROM)フレームワークと最近のパラメトリックグラフニューラルネットワーク(GNN)の組み合わせに基づいている。
論文 参考訳（メタデータ） (2024-06-03T08:51:25Z) - 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) - PhySRNet: Physics informed super-resolution network for application in
computational solid mechanics [0.0]
本研究は,物理インフォームド深層学習に基づく超解像フレームワーク(PhySRNet)の開発を目的とする。
高分解能ラベル付きデータを必要とせずに、高分解能変形場を低分解能変形体から復元することができる。
論文 参考訳（メタデータ） (2022-06-30T17:51:50Z) - Information-Theoretic Odometry Learning [83.36195426897768]
生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。
提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
論文 参考訳（メタデータ） (2022-03-11T02:37:35Z) - Transforming Feature Space to Interpret Machine Learning Models [91.62936410696409]
この貢献は、特徴空間変換のレンズを通して機械学習モデルを解釈する新しいアプローチを提案する。
非条件的および条件付きポストホック診断ツールの拡張に使用できる。
提案手法の可能性を実証するために,46特徴のリモートセンシング土地被覆分類の事例研究を行った。
論文 参考訳（メタデータ） (2021-04-09T10:48:11Z) - Model-data-driven constitutive responses: application to a multiscale
computational framework [0.0]
古典法則(モデルベース)、データ駆動補正コンポーネント、計算的マルチスケールアプローチを組み合わせたハイブリッド方法論が提示される。
非線形数値均質化法により得られた低スケールのデータを用いてモデルベース材料表現を局所的に改善する。
提案手法では,モデルとデータの両方が基本的な役割を担い,物理に基づく応答と機械学習のブラックボックスの相乗的統合を実現する。
論文 参考訳（メタデータ） (2021-04-06T16:34:46Z) - 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) - Multiscale Mesh Deformation Component Analysis with Attention-based
Autoencoders [49.62443496989065]
重み付けされたアテンションベースオートエンコーダを用いて, マルチスケール変形成分を精度良く自動生成する手法を提案する。
このアテンション機構は、アクティブな変形領域において、軟弱なマルチスケール変形成分を学習するように設計されている。
提案手法では,新しい形状の効果的なモデリングを容易にするために,粗い形状で形状を編集することができる。
論文 参考訳（メタデータ） (2020-12-04T08:30:57Z) - Analysis and Prediction of Deforming 3D Shapes using Oriented Bounding
Boxes and LSTM Autoencoders [0.966840768820136]
アーキテクチャは、133の異なるコンポーネントを持つモデルの196台の車両衝突シミュレーションの結果に基づいてテストされる。
潜在表現では、異なる成分の塑性変形のパターンを検出することができる。
予測されたバウンディングボックスは最終シミュレーション結果を推定し、その品質を異なるベースラインと比較して改善する。
論文 参考訳（メタデータ） (2020-08-31T08:07:32Z) - Learning to predict metal deformations in hot-rolling processes [59.00006390882099]
ホットローリング(Hot-rolling)は、入力から一連の変形を通じて断面を生成する金属成形プロセスである。
現状では、ロールの回転列と形状は、与えられた断面を達成するために必要である。
そこで本研究では,一組のロールが与えられた形状を予測するための教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2020-07-22T13:33:44Z)
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。