論文の概要: Thermodynamics-based Artificial Neural Networks for constitutive
modeling
- arxiv url: http://arxiv.org/abs/2005.12183v1
- Date: Mon, 25 May 2020 15:56:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-29 05:37:00.912093
- Title: Thermodynamics-based Artificial Neural Networks for constitutive
modeling
- Title（参考訳）: 構成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
- Authors: Filippo Masi, Ioannis Stefanou, Paolo Vannucci, Victor Maffi-Berthier
- Abstract要約: 本稿では,物質点レベルでのひずみ速度独立過程のモデリングのための,データ駆動型物理ベースニューラルネットワークの新たなクラスを提案する。
熱力学の2つの基本原理は、自動微分を利用してネットワークのアーキテクチャに符号化される。
本研究では, 伸縮硬化および軟化ひずみを有するエラスト塑性材料をモデル化するためのTANNの広範囲な適用性を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine Learning methods and, in particular, Artificial Neural Networks
(ANNs) have demonstrated promising capabilities in material constitutive
modeling. One of the main drawbacks of such approaches is the lack of a
rigorous frame based on the laws of physics. This may render physically
inconsistent the predictions of a trained network, which can be even dangerous
for real applications.
Here we propose a new class of data-driven, physics-based, neural networks
for constitutive modeling of strain rate independent processes at the material
point level, which we define as Thermodynamics-based Artificial Neural Networks
(TANNs). The two basic principles of thermodynamics are encoded in the
network's architecture by taking advantage of automatic differentiation to
compute the numerical derivatives of a network with respect to its inputs. In
this way, derivatives of the free-energy, the dissipation rate and their
relation with the stress and internal state variables are hardwired in the
network. Consequently, our network does not have to identify the underlying
pattern of thermodynamic laws during training, reducing the need of large
data-sets. Moreover the training is more efficient and robust, and the
predictions more accurate. Finally and more important, the predictions remain
thermodynamically consistent, even for unseen data. Based on these features,
TANNs are a starting point for data-driven, physics-based constitutive modeling
with neural networks.
We demonstrate the wide applicability of TANNs for modeling elasto-plastic
materials, with strain hardening and strain softening. Detailed comparisons
show that the predictions of TANNs outperform those of standard ANNs. TANNs '
architecture is general, enabling applications to materials with different or
more complex behavior, without any modification.
- Abstract（参考訳）: 機械学習手法、特に人工ニューラルネットワーク(ANN)は、物質構成モデリングにおいて有望な能力を示している。
このようなアプローチの主な欠点の1つは、物理学の法則に基づく厳密な枠組みの欠如である。
これはトレーニングされたネットワークの予測を物理的に矛盾させる可能性がある。
本稿では,物質点レベルでのひずみ速度独立プロセスの構成モデリングのための,データ駆動型物理ベースニューラルネットワークの新たなクラスを提案し,熱力学に基づくニューラルネットワーク (TANN) と定義する。
熱力学の2つの基本的な原理は、ネットワークの入力に対する数値微分を計算するための自動微分を利用してネットワークのアーキテクチャに符号化される。
このようにして、自由エネルギーの微分、散逸速度、応力および内部状態変数との関係はネットワーク内でハードワイヤ化される。
したがって、トレーニング中の熱力学法則の基本的なパターンをネットワークが特定する必要はなく、大規模なデータセットの必要性を低減します。
さらに、トレーニングは効率的で堅牢であり、予測はより正確である。
最後に、さらに重要なのは、予測が熱力学的に一貫していることだ。
これらの特徴に基づいて、TANNは、ニューラルネットワークによるデータ駆動、物理ベースの構成モデリングの出発点である。
エラスト塑性材料をモデル化するためのTANNの広範な適用性を示し, ひずみ硬化とひずみ軟化を図った。
詳細な比較では、TANNの予測は標準ANNの予測を上回っている。
TANNのアーキテクチャは一般的なもので、アプリケーションは変更することなく、異なる、あるいはより複雑な振る舞いの材料を利用できる。
関連論文リスト
- Knowledge-Based Convolutional Neural Network for the Simulation and Prediction of Two-Phase Darcy Flows [3.5707423185282656]
物理インフォームドニューラルネットワーク(PINN)は、科学計算とシミュレーションの分野で強力なツールとして注目されている。
本稿では、ニューラルネットワークのパワーと、離散化微分方程式によって課される力学を組み合わせることを提案する。
支配方程式を識別することにより、PINNは不連続性を考慮し、入力と出力の間の基礎となる関係を正確に捉えることを学ぶ。
論文 参考訳（メタデータ） (2024-04-04T06:56:32Z) - Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳（メタデータ） (2024-02-20T15:23:24Z) - Physics-Informed Neural Networks with Hard Linear Equality Constraints [9.101849365688905]
本研究は,線形等式制約を厳格に保証する物理インフォームドニューラルネットワークKKT-hPINNを提案する。
溶融タンク炉ユニット, 抽出蒸留サブシステム, 化学プラントのアスペンモデル実験により, このモデルが予測精度をさらに高めることを示した。
論文 参考訳（メタデータ） (2024-02-11T17:40:26Z) - Learning Neural Constitutive Laws From Motion Observations for
Generalizable PDE Dynamics [97.38308257547186]
多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。
PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。
そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
論文 参考訳（メタデータ） (2023-04-27T17:42:24Z) - ConCerNet: A Contrastive Learning Based Framework for Automated
Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。
本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2023-02-11T21:07:30Z) - A new family of Constitutive Artificial Neural Networks towards
automated model discovery [0.0]
ニューラルネットワークは、基礎となる物理の知識を必要とせずに、大きなデータから関数関係を学習できる強力な近似器である。
本稿では,ユーザ定義モデル選択から自動モデル発見へのパラダイムシフトの可能性を示す。
論文 参考訳（メタデータ） (2022-09-15T18:33:37Z) - A physics-informed deep neural network for surrogate modeling in
classical elasto-plasticity [0.0]
本稿では,古典的弾塑性関係を効率的に近似するディープニューラルネットワークアーキテクチャを提案する。
このネットワークは、弾性および塑性部分へのひずみの付加的な分解を含む古典的エラスト塑性の重要な物理的な側面に富んでいる。
ニューラルネットワークのアーキテクチャにこれらの物理を組み込むことで、トレーニングデータの少ないネットワークのより効率的なトレーニングが可能になることを示す。
論文 参考訳（メタデータ） (2022-04-26T05:58:13Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳（メタデータ） (2022-02-21T18:59:03Z) - Constructing Neural Network-Based Models for Simulating Dynamical
Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。
本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。
基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文 参考訳（メタデータ） (2021-11-02T10:51:42Z) - Thermodynamic Consistent Neural Networks for Learning Material
Interfacial Mechanics [6.087530833458481]
トラクション・セパレーション関係(TSR)は、開口中の材料界面の力学的挙動を定量的に記述する。
ニューラルネットワークはロードパスとうまく適合するが、物理の法則に従わないことが多い。
本稿では,TSRのデータ駆動モデルを構築するための熱力学的一貫したニューラルネットワーク (TCNN) を提案する。
論文 参考訳（メタデータ） (2020-11-28T17:25:10Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z)
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。