論文の概要: Difference-Based Deep Learning Framework for Stress Predictions in
Heterogeneous Media
- arxiv url: http://arxiv.org/abs/2007.04898v3
- Date: Mon, 29 Mar 2021 12:01:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 00:01:47.652297
- Title: Difference-Based Deep Learning Framework for Stress Predictions in
Heterogeneous Media
- Title（参考訳）: 不均一媒質における応力予測のための差分学習フレームワーク
- Authors: Haotian Feng and Pavana Prabhakar
- Abstract要約: 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。
- 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: Stress analysis of heterogeneous media, like composite materials, using
Finite Element Analysis (FEA) has become commonplace in design and analysis.
However, determining stress distributions in heterogeneous media using FEA can
be computationally expensive in situations like optimization and multi-scaling.
To address this, we utilize Deep Learning for developing a set of novel
Difference-based Neural Network (DiNN) frameworks based on engineering and
statistics knowledge to determine stress distribution in heterogeneous media,
for the first time, with special focus on discontinuous domains that manifest
high stress concentrations. The novelty of our approach is that instead of
directly using several FEA model geometries and stresses as inputs for training
a Neural Network, as typically done previously, we focus on highlighting the
differences in stress distribution between different input samples for
improving the accuracy of prediction in heterogeneous media. We evaluate the
performance of DiNN frameworks by considering different types of geometric
models that are commonly used in the analysis of composite materials, including
volume fraction and spatial randomness. Results show that the DiNN structures
significantly enhance the accuracy of stress prediction compared to existing
structures, especially for composite models with random volume fraction when
localized high stress concentrations are present.
- Abstract（参考訳）: 有限要素解析(fea)を用いた複合材料などの異種媒体の応力解析は, 設計や解析において一般的である。
しかし、FEAを用いた異種媒体の応力分布の決定は、最適化やマルチスケーリングのような状況では計算コストがかかる可能性がある。
これを解決するために、Deep Learningを用いて、エンジニアリングと統計知識に基づく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し、異種メディアにおけるストレス分布を初めて決定し、特に高いストレス集中を示す不連続領域に焦点を当てる。
提案手法の斬新さは、ニューラルネットワークをトレーニングするための入力として、複数のFEAモデルジオメトリやストレスを直接使用する代わりに、異なる入力サンプル間の応力分布の違いを強調し、異種メディアの予測精度を向上させることである。
本研究では, 複合材料の解析によく用いられる異なる形状モデル, 体積率, 空間ランダム性などを考慮して, dinnフレームワークの性能評価を行った。
その結果、DNN構造は既存の構造と比較して応力予測の精度を著しく向上させ、特に局所的な高応力濃度が存在する場合のランダム体積率の複合モデルに対して顕著であることがわかった。
関連論文リスト
- Dynamic Post-Hoc Neural Ensemblers [55.15643209328513]
本研究では,ニューラルネットワークをアンサンブル手法として活用することを検討する。
低多様性のアンサンブルを学習するリスクを動機として,ベースモデル予測をランダムにドロップすることでモデルの正規化を提案する。
このアプローチはアンサンブル内の多様性を低くし、オーバーフィッティングを減らし、一般化能力を向上させる。
論文 参考訳（メタデータ） (2024-10-06T15:25:39Z) - Gaussian Universality in Neural Network Dynamics with Generalized Structured Input Distributions [2.3020018305241337]
ガウス混合体としてモデル化された入力に基づいて学習したディープラーニングシステムの振る舞いを分析し,より汎用的な入力をシミュレートする。
特定の標準化スキームの下では、入力データがより複雑あるいは実世界の分布に従う場合でも、ディープラーニングモデルはガウス的な設定行動に収束する。
論文 参考訳（メタデータ） (2024-05-01T17:10:55Z) - Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳（メタデータ） (2023-09-02T01:27:53Z) - Deep Learning-based Prediction of Stress and Strain Maps in Arterial
Walls for Improved Cardiovascular Risk Assessment [0.0]
本研究では、動脈壁の2次元断面における応力-ひずみ場予測において、FEMの代替としてエンド・ツー・エンドのディープラーニングツールが有効である可能性について検討した。
まず,U-Net を用いた完全畳み込みニューラルネットワーク (CNN) を提案し,動脈壁断面における石灰化の空間的配置に基づくフォン・ミセス応力とひずみ分布の予測を行った。
本研究では, 各種石灰化量と空間構成の異なる動脈壁の応力およびひずみ場マップの予測精度を, 特に知覚的視点から向上する条件付き生成逆数ネットワーク(cGAN)を開発した。
論文 参考訳（メタデータ） (2023-08-03T14:00:01Z) - A Coupled CP Decomposition for Principal Components Analysis of
Symmetric Networks [11.988825533369686]
シーケンスネットワークデータのための主成分分析(PCA)フレームワークを提案する。
提案した「結合CP」分解の効率的な計算アルゴリズムを導出する。
本稿は、シミュレーションデータと、政治科学・金融経済学の事例における提案の有効性を実証する。
論文 参考訳（メタデータ） (2022-02-09T20:52:19Z) - Stress field prediction in fiber-reinforced composite materials using a
deep learning approach [0.0]
有限要素法 (FEM) は, 複合材料系の応力解析を行う標準的な手法である。
本研究では繊維強化複合材料システムについて考察する。
我々は、深層学習ツールを用いて、応力場予測のためのFEMアプローチの代替品を見つける。
論文 参考訳（メタデータ） (2021-11-01T01:52:27Z) - A deep learning driven pseudospectral PCE based FFT homogenization
algorithm for complex microstructures [68.8204255655161]
提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。
提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
論文 参考訳（メタデータ） (2021-10-26T07:02:14Z) - Accuracy on the Line: On the Strong Correlation Between
Out-of-Distribution and In-Distribution Generalization [89.73665256847858]
分布外性能は,広範囲なモデルと分布シフトに対する分布内性能と強く相関していることを示す。
具体的には,CIFAR-10 と ImageNet の変種に対する分布内分布と分布外分布性能の強い相関関係を示す。
また,CIFAR-10-Cと組織分類データセットCamelyon17-WILDSの合成分布の変化など,相関が弱いケースについても検討した。
論文 参考訳（メタデータ） (2021-07-09T19:48:23Z) - Decentralized Local Stochastic Extra-Gradient for Variational
Inequalities [125.62877849447729]
我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。
我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。
理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
論文 参考訳（メタデータ） (2021-06-15T17:45:51Z) - StressGAN: A Generative Deep Learning Model for 2D Stress Distribution
Prediction [0.27998963147546135]
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。
論文 参考訳（メタデータ） (2020-05-30T00:28:21Z) - Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。
このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる
このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
論文 参考訳（メタデータ） (2020-03-13T13:11:35Z)
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。