論文の概要: Physics-Informed Neural Networks for Nonhomogeneous Material Identification in Elasticity Imaging

• arxiv url: http://arxiv.org/abs/2009.04525v1
• Date: Wed, 2 Sep 2020 23:37:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-22 20:07:10.960860
• Title: Physics-Informed Neural Networks for Nonhomogeneous Material Identification in Elasticity Imaging
• Title（参考訳）: 弾性イメージングにおける非均質材料同定のための物理インフォームニューラルネットワーク
• Authors: Enrui Zhang, Minglang Yin, George Em Karniadakis
• Abstract要約: 非均一物質の同定問題に対する物理情報ニューラルネットワーク(PINN)を適用した。 モデルに2つのニューラルネットワークを用いることで、PINNの物質識別能力を拡張し、非均一な物質パラメータフィールドを含める。
• 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: We apply Physics-Informed Neural Networks (PINNs) for solving identification problems of nonhomogeneous materials. We focus on the problem with a background in elasticity imaging, where one seeks to identify the nonhomogeneous mechanical properties of soft tissue based on the full-field displacement measurements under quasi-static loading. In our model, we apply two independent neural networks, one for approximating the solution of the corresponding forward problem, and the other for approximating the unknown material parameter field. As a proof of concept, we validate our model on a prototypical plane strain problem for incompressible hyperelastic tissue. The results show that the PINNs are effective in accurately recovering the unknown distribution of mechanical properties. By employing two neural networks in our model, we extend the capability of material identification of PINNs to include nonhomogeneous material parameter fields, which enables more flexibility of PINNs in representing complex material properties.
• Abstract（参考訳）: 非均一物質の同定問題に対する物理情報ニューラルネットワーク(PINN)を適用した。 そこで我々は, 準静荷重下でのフルフィールド変位測定に基づいて, 軟部組織の非均一な力学的特性を同定しようとする弾性イメージングの背景問題に焦点をあてる。 本モデルでは,2つの独立したニューラルネットワークを適用し,その1つは対応する前方問題の解を近似し,もう1つは未知の物質パラメータ場を近似する。 概念実証として,非圧縮性超弾性組織に対する原型的平面ひずみ問題のモデルを検証する。 その結果, PINNは未知の機械的特性の分布を正確に復元するのに有効であることが示唆された。 モデルに2つのニューラルネットワークを用いることで、PINNの物質識別機能を非均一な物質パラメータフィールドを含むように拡張し、複雑な物質特性を表現するためにPINNの柔軟性を高める。

関連論文リスト

• Biomechanics-informed Non-rigid Medical Image Registration and its Inverse Material Property Estimation with Linear and Nonlinear Elasticity [11.39300419376046]
  本稿では,生体力学的制約のない医用画像登録と軟組織材料特性の正確な同定を物理インフォームドニューラルネットワーク(PINN)を用いて検討する。 複素非線形弾性理論を利用して、満たすべき生体力学的制約の物理法則を表す偏微分方程式(PDE)を正式に確立する。 前立腺癌生検の臨床例から、変形しないMRI画像と変形したMR画像のペアを用いて、2つの実験が実施された。
  論文  参考訳（メタデータ） (2024-07-03T17:26:07Z)
• Band-gap regression with architecture-optimized message-passing neural networks [1.9590152885845324]
  AFLOWデータベースからの密度汎関数理論データから材料を金属または半導体/絶縁体として分類するMPNNを訓練する。 次に,MPNNのモデル構造とハイパーパラメータ空間を探索し,非金属と同定された材料のバンドギャップを予測する。 検索から得られる最高のパフォーマンスモデルはアンサンブルにまとめられ、既存のモデルよりもはるかに優れています。
  論文  参考訳（メタデータ） (2023-09-12T16:13:10Z)
• Physics-informed UNets for Discovering Hidden Elasticity in Heterogeneous Materials [0.0]
  弾性インバージョンのための新しいUNetベースニューラルネットワークモデル(El-UNet)を開発した。 完全接続された物理インフォームドニューラルネットワークと比較して,El-UNetによる精度と計算コストの両面で優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-01T23:35:03Z)
• 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)
• 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)
• Uncertainty Quantification for Transport in Porous media using Parameterized Physics Informed neural Networks [0.0]
  本稿では,貯水池工学における不確実性定量化問題に取り組むために,インフォームドニューラルネットワーク(P-PINN)のパラメトリゼーションを提案する。 異種多孔質媒質中の不混和性二相流変位(Buckley-Leverett問題)によるアプローチを実証する。 PINNは不確実性空間のパラメータ化を適切に行うことで,アンサンブル実現とモーメントを密接に一致させる解を生成できることを示す。
  論文  参考訳（メタデータ） (2022-05-19T06:23:23Z)
• A single Long Short-Term Memory network for enhancing the prediction of path-dependent plasticity with material heterogeneity and anisotropy [0.0]
  材料不均一性と異方性を考慮した弾塑性挙動を再現する機械学習モデルを開発した。 LSTMベースの単一のモデルでは、単調および任意のロードパスの下でJ2可塑性応答をキャプチャすることができる。 また, 単一LSTMモデルを用いて, 異方性および異方性ミクロ構造の経路依存応答を正確に, 効果的に捉えることができることがわかった。
  論文  参考訳（メタデータ） (2022-03-29T03:13:10Z)
• 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)
• Learning Physics-Informed Neural Networks without Stacked Back-propagation [82.26566759276105]
  我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。 特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。 実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
  論文  参考訳（メタデータ） (2022-02-18T18:07:54Z)
• 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)
• Physics informed neural networks for continuum micromechanics [68.8204255655161]
  近年,応用数学や工学における多種多様な問題に対して,物理情報ニューラルネットワークの適用が成功している。 グローバルな近似のため、物理情報ニューラルネットワークは、最適化によって局所的な効果と強い非線形解を表示するのに困難である。 実世界の$mu$CT-Scansから得られた不均一構造における非線形応力, 変位, エネルギー場を, 正確に解くことができる。
  論文  参考訳（メタデータ） (2021-10-14T14:05:19Z)

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。