論文の概要: StressGAN: A Generative Deep Learning Model for 2D Stress Distribution Prediction

• arxiv url: http://arxiv.org/abs/2006.11376v1
• Date: Sat, 30 May 2020 00:28:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 17:49:58.623863
• Title: StressGAN: A Generative Deep Learning Model for 2D Stress Distribution Prediction
• Title（参考訳）: StressGAN:2次元応力分布予測のための生成的深層学習モデル
• Authors: Haoliang Jiang, Zhenguo Nie, Roselyn Yeo, Amir Barati Farimani, Levent Burak Kara
• Abstract要約: 固体構造における2D von Mises応力分布を予測するための条件生成逆ネットワーク(cGAN)モデルを提案する。 我々は,ベースライン畳み込みニューラルネットワークモデルよりも高精度な応力分布を予測できることを実証した。
• 参考スコア（独自算出の注目度）: 0.27998963147546135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Using deep learning to analyze mechanical stress distributions has been gaining interest with the demand for fast stress analysis methods. Deep learning approaches have achieved excellent outcomes when utilized to speed up stress computation and learn the physics without prior knowledge of underlying equations. However, most studies restrict the variation of geometry or boundary conditions, making these methods difficult to be generalized to unseen configurations. We propose a conditional generative adversarial network (cGAN) model for predicting 2D von Mises stress distributions in solid structures. The cGAN learns to generate stress distributions conditioned by geometries, load, and boundary conditions through a two-player minimax game between two neural networks with no prior knowledge. By evaluating the generative network on two stress distribution datasets under multiple metrics, we demonstrate that our model can predict more accurate high-resolution stress distributions than a baseline convolutional neural network model, given various and complex cases of geometry, load and boundary conditions.
• Abstract（参考訳）: 機械的応力分布の解析にディープラーニングを用いることで,高速応力解析手法の需要が高まっている。 深層学習アプローチは、応力計算を高速化し、基礎となる方程式の事前知識なしで物理学を学ぶ際に、優れた成果を上げた。 しかし、ほとんどの研究は幾何学や境界条件の変動を制限しており、これらの方法が見えない構成に一般化することは困難である。 固体構造における2D von Mises応力分布を予測するための条件生成逆ネットワーク(cGAN)モデルを提案する。 cganは、事前知識のない2つのニューラルネットワーク間の2人のプレイヤーによるミニマックスゲームを通じて、ジオメトリ、負荷、境界条件によって条件付けられた応力分布を生成する。 複数の指標に基づいて2つの応力分布データセット上の生成ネットワークを評価することにより,我々のモデルは,幾何,負荷,境界条件の様々な複雑なケースを考慮し,ベースライン畳み込みニューラルネットワークモデルよりも高精度な高分解能応力分布を予測できることを実証する。

関連論文リスト

• Towards a Better Theoretical Understanding of Independent Subnetwork Training [56.24689348875711]
  独立サブネットワークトレーニング(IST)の理論的考察 ISTは、上記の問題を解決するための、最近提案され、非常に効果的である。 圧縮通信を用いた分散手法など,ISTと代替手法の基本的な違いを同定する。
  論文  参考訳（メタデータ） (2023-06-28T18:14:22Z)
• Physics Informed Neural Network for Dynamic Stress Prediction [10.588266927411434]
  有限要素シミュレーションに基づいて, 応力分布の全列を予測するために, 物理インフォームドニューラルネットワーク(PINN)モデルを提案する。 自動微分を用いて、深層ニューラルネットワークの損失関数にPDEを埋め込み、測定やPDEからの情報を取り込む。 PINN-Stressモデルは、ほぼリアルタイムで応力分布の列を予測でき、PINNなしではモデルよりも良く一般化できる。
  論文  参考訳（メタデータ） (2022-11-28T16:03:21Z)
• Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
  グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。 物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。 本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
  論文  参考訳（メタデータ） (2022-10-13T10:00:30Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Multi-scale Feature Learning Dynamics: Insights for Double Descent [71.91871020059857]
  一般化誤差の「二重降下」現象について検討する。 二重降下は、異なるスケールで学習される異なる特徴に起因する可能性がある。
  論文  参考訳（メタデータ） (2021-12-06T18:17:08Z)
• LCS: Learning Compressible Subspaces for Adaptive Network Compression at Inference Time [57.52251547365967]
  本稿では,ニューラルネットワークの「圧縮可能な部分空間」を訓練する手法を提案する。 構造的・非構造的空間に対する推定時間における微粒な精度・効率のトレードオフを任意に達成するための結果を示す。 我々のアルゴリズムは、可変ビット幅での量子化にまで拡張し、個別に訓練されたネットワークと同等の精度を実現する。
  論文  参考訳（メタデータ） (2021-10-08T17:03:34Z)
• A neural anisotropic view of underspecification in deep learning [60.119023683371736]
  ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。 深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
  論文  参考訳（メタデータ） (2021-04-29T14:31:09Z)
• Tensor-Train Networks for Learning Predictive Modeling of Multidimensional Data [0.0]
  有望な戦略は、物理的および化学的用途で非常に成功したテンソルネットワークに基づいています。 本研究では, 多次元回帰モデルの重みをテンソルネットワークを用いて学習し, 強力なコンパクト表現を実現することを示した。 TT形式の重みを計算力の低減で近似するための最小二乗を交互に行うアルゴリズムが提案されている。
  論文  参考訳（メタデータ） (2021-01-22T16:14:38Z)
• Difference-Based Deep Learning Framework for Stress Predictions in Heterogeneous Media [0.0]
  我々は、Deep Learningを利用して、異種メディアにおけるストレス分布を決定するために、新しい差分ベースニューラルネットワーク(DiNN)フレームワークを開発する。 我々は,異種メディアの予測精度を向上させるために,異なる入力サンプル間の応力分布の違いを強調することに重点を置いている。 その結果、DNN構造は既存の構造に比べてストレス予測の精度を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2020-07-01T00:18:14Z)
• Deep Learning of Dynamic Subsurface Flow via Theory-guided Generative Adversarial Network [0.0]
  動的偏微分方程式(PDE)の解法として理論誘導生成逆数ネットワーク(TgGAN)を提案する。 不均一モデルパラメータを持つ動的地下流れに対してTgGANを提案する。 数値計算により,TgGANモデルは動的PDEの深層学習において堅牢で信頼性が高いことが示された。
  論文  参考訳（メタデータ） (2020-06-02T02:53:26Z)

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。