論文の概要: Machine learning applied in the multi-scale 3D stress modelling

• arxiv url: http://arxiv.org/abs/2008.11244v1
• Date: Tue, 25 Aug 2020 19:17:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 04:19:18.282891
• Title: Machine learning applied in the multi-scale 3D stress modelling
• Title（参考訳）: マルチスケール3次元応力モデリングにおける機械学習の適用
• Authors: Xavier Garcia and Adrian Rodriguez-Herrera
• Abstract要約: 本稿では,有限要素モデリングとニューラルネットワークを組み合わせたハイブリッド手法により,地下応力を推定する手法を提案する。 1つの低周波解は、粗いスケールでの安価な有限要素モデリングによって得られ、第2の解は、微小スケールにおける自由パラメータの不均一性によって引き起こされる微細な詳細を提供する。 粗い有限要素解とニューラルネットワークの推定値を組み合わせると、結果は高分解能有限要素モデルで計算される結果の2%の誤差以内に収まる。
• 参考スコア（独自算出の注目度）: 10.355894890759377
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a methodology to estimate stress in the subsurface by a hybrid method combining finite element modeling and neural networks. This methodology exploits the idea of obtaining a multi-frequency solution in the numerical modeling of systems whose behavior involves a wide span of length scales. One low-frequency solution is obtained via inexpensive finite element modeling at a coarse scale. The second solution provides the fine-grained details introduced by the heterogeneity of the free parameters at the fine scale. This high-frequency solution is estimated via neural networks -trained with partial solutions obtained in high-resolution finite-element models. When the coarse finite element solutions are combined with the neural network estimates, the results are within a 2\% error of the results that would be computed with high-resolution finite element models. This paper discusses the benefits and drawbacks of the method and illustrates their applicability via a worked example.
• Abstract（参考訳）: 本稿では,有限要素モデリングとニューラルネットワークを組み合わせたハイブリッド手法により,地下応力を推定する手法を提案する。 この手法は、多周波数解を得るというアイデアを生かして、幅広い長さスケールの振る舞いを伴うシステムの数値モデリングを行う。 1つの低周波溶液は、粗いスケールで安価な有限要素モデリングによって得られる。 第二の解は、微小スケールにおける自由パラメータの不均一性によって導入されたきめ細かい詳細を提供する。 この高周波解は、高分解能有限要素モデルで得られる部分解で訓練されたニューラルネットワークを介して推定される。 粗い有限要素の解とニューラルネットワークの推定値とを組み合わせると、結果は高分解能有限要素モデルで計算される結果の2\%の誤差となる。 本稿では,この手法の利点と欠点を説明し,実例を通してその適用性について述べる。

関連論文リスト

• Enhanced physics-informed neural networks with domain scaling and residual correction methods for multi-frequency elliptic problems [11.707981310045742]
  楕円型偏微分方程式の多周波解に対するニューラルネットワーク近似法を開発した。 提案手法の有効性と精度を多周波モデル問題に適用する。
  論文  参考訳（メタデータ） (2023-11-07T06:08:47Z)
• Optimizing Solution-Samplers for Combinatorial Problems: The Landscape of Policy-Gradient Methods [52.0617030129699]
  本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。 我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。 本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
  論文  参考訳（メタデータ） (2023-10-08T23:39:38Z)
• Super-Resolution Surface Reconstruction from Few Low-Resolution Slices [7.053276723038573]
  本稿では, 数値シミュレーションにおいて, 分割面の分解能を高めるための新しい変分モデルを提案する。 モデル解くための2つの数値アルゴリズム、射影勾配降下法、乗算器の交互方向法を実装した。 新しいモデルの利点は、離散幾何学の観点からのガウス曲率と平均曲率の標準偏差による定量的比較によって示される。
  論文  参考訳（メタデータ） (2023-09-10T16:32:02Z)
• An Optimization-based Deep Equilibrium Model for Hyperspectral Image Deconvolution with Convergence Guarantees [71.57324258813675]
  本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。 新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。 導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
  論文  参考訳（メタデータ） (2023-06-10T08:25:16Z)
• Multilevel CNNs for Parametric PDEs [0.0]
  偏微分方程式に対する多段階解法の概念とニューラルネットワークに基づくディープラーニングを組み合わせる。 より詳細な理論的解析により,提案アーキテクチャは乗算Vサイクルを任意の精度で近似できることを示した。 最先端のディープラーニングベースの解法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-04-01T21:11:05Z)
• Accelerated Solutions of Coupled Phase-Field Problems using Generative Adversarial Networks [0.0]
  我々は,エンコーダデコーダに基づく条件付きGeneLSTM層を用いたニューラルネットワークに基づく新しいフレームワークを開発し,Cahn-Hilliardマイクロ構造方程式を解く。 トレーニングされたモデルはメッシュとスケールに依存しないため、効果的なニューラル演算子としての応用が保証される。
  論文  参考訳（メタデータ） (2022-11-22T08:32:22Z)
• Multi-View Photometric Stereo Revisited [100.97116470055273]
  多視点測光ステレオ(MVPS)は、画像から被写体を詳細に正確に3D取得する方法として好まれる。 MVPSは異方性や光沢などの他の対象物質と同様に,等方性に対しても有効である。 提案手法は、複数のベンチマークデータセットで広範囲にテストした場合に、最先端の結果を示す。
  論文  参考訳（メタデータ） (2022-10-14T09:46:15Z)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)
• Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
  物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。 線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。 実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
  論文  参考訳（メタデータ） (2020-06-16T21:56:22Z)
• Deep Unfolding Network for Image Super-Resolution [159.50726840791697]
  本稿では,学習に基づく手法とモデルに基づく手法の両方を活用する,エンドツーエンドのトレーニング可能なアンフォールディングネットワークを提案する。 提案するネットワークは, モデルベース手法の柔軟性を継承し, 一つのモデルを用いて, 異なるスケール要因に対する, 曖昧でノイズの多い画像の超解像化を行う。
  論文  参考訳（メタデータ） (2020-03-23T17:55:42Z)

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。