論文の概要: Use of Machine Learning for unraveling hidden correlations between Particle Size Distributions and the Mechanical Behavior of Granular Materials

• arxiv url: http://arxiv.org/abs/2006.05711v2
• Date: Sat, 20 Jun 2020 18:49:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-23 05:07:10.478329
• Title: Use of Machine Learning for unraveling hidden correlations between Particle Size Distributions and the Mechanical Behavior of Granular Materials
• Title（参考訳）: 粒度分布と粒状材料の機械的挙動との隠れ相関関係の解明への機械学習の適用
• Authors: Ignacio G. Tejada, Pablo Antolin
• Abstract要約: データ駆動型フレームワークを用いて多分散粒子の高密度充填体のマクロ力学的挙動を予測した。 数百のDEMシミュレーションでトレーニングされた人工ニューラルネットワークスキームは、これらのPSDのモデルパラメータの値を予測することができた。
• 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: A data-driven framework was used to predict the macroscopic mechanical behavior of dense packings of polydisperse granular materials. The Discrete Element Method, DEM, was used to generate 92,378 sphere packings that covered many different kinds of particle size distributions, PSD, lying within 2 particle sizes. These packings were subjected to triaxial compression and the corresponding stress-strain curves were fitted to Duncan-Chang hyperbolic models. A multivariate statistical analysis was unsuccessful to relate the model parameters with common geotechnical and statistical descriptors derived from the PSD. In contrast, an artificial Neural Network (NN) scheme, trained with a few hundred DEM simulations, was able to anticipate the value of the model parameters for all these PSDs, with considerable accuracy. This was achieved in spite of the presence of noise in the training data. The NN revealed the existence of hidden correlations between PSD of granular materials and their macroscopic mechanical behavior.
• Abstract（参考訳）: データ駆動型フレームワークを用いて,多分散粒状材料の高密度充填体のマクロ力学的挙動を予測した。 離散要素法(DEM)は、様々な粒子サイズ分布、PSDを2つの粒子サイズで覆った92,378球体パッキングを生成するために用いられた。 これらのパッキングは3軸圧縮され、対応する応力-ひずみ曲線はダンカン-チャン双曲モデルに適合した。 多変量統計分析では、PSDから派生した一般的なジオテクニックおよび統計記述子とモデルパラメータを関連付けることはできなかった。 対照的に、数百のDEMシミュレーションでトレーニングされた人工ニューラルネットワーク(NN)スキームは、これらのPSDのモデルパラメータの値をかなり正確に予測することができた。 これは訓練データにノイズが存在するにもかかわらず達成された。 NNは粒状物質のPSDとマクロ力学的挙動との間に隠れた相関関係があることを明らかにした。

関連論文リスト

• Latent diffusion models for parameterization and data assimilation of facies-based geomodels [0.0]
  拡散モデルは、ランダムノイズを特徴とする入力場から新しい地質学的実現を生成するために訓練される。 遅延拡散モデルは、ジオモデリングソフトウェアからのサンプルと視覚的に整合した実現を提供する。
  論文  参考訳（メタデータ） (2024-06-21T01:32:03Z)
• Mean-field Chaos Diffusion Models [19.289421150924206]
  心電図データ分布を扱うためのスコアベース生成モデル(SGM)を新たに導入する。 心電図データに固有の次元の呪いに対処する平均場カオス拡散モデル(MF-CDMs)を提案する。
  論文  参考訳（メタデータ） (2024-06-08T08:24:06Z)
• Data-freeWeight Compress and Denoise for Large Language Models [101.53420111286952]
  パラメータ行列を圧縮する手法として,データフリーなジョイントランクk近似を提案する。 キャリブレーションデータなしで、元の性能の93.43%を維持しながら80%のパラメータのモデルプルーニングを実現する。
  論文  参考訳（メタデータ） (2024-02-26T05:51:47Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Characterization of partial wetting by CMAS droplets using multiphase many-body dissipative particle dynamics and data-driven discovery based on PINNs [1.1762713843017176]
  カルシア、マグネシア、アルミナ、ケイ酸塩の混合物であるCMASは、高い粘度、密度、表面張力によって特徴付けられる。 ここでは, 多相多体散逸粒子動力学(mDPD)シミュレーションを用いて, 高融点CMAS液滴の動力学を研究する。
  論文  参考訳（メタデータ） (2023-07-18T10:52:08Z)
• Geometric Neural Diffusion Processes [55.891428654434634]
  拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。 これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
  論文  参考訳（メタデータ） (2023-07-11T16:51:38Z)
• 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)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)

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。