論文の概要: A Supervised Machine Learning Approach for Accelerating the Design of
Particulate Composites: Application to Thermal Conductivity
- arxiv url: http://arxiv.org/abs/2010.00041v3
- Date: Tue, 5 Jan 2021 02:15:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 23:36:18.950116
- Title: A Supervised Machine Learning Approach for Accelerating the Design of
Particulate Composites: Application to Thermal Conductivity
- Title（参考訳）: 粒子状複合材料の設計促進のための教師付き機械学習アプローチ:熱伝導率への応用
- Authors: Mohammad Saber Hashemi, Masoud Safdari, Azadeh Sheidaei
- Abstract要約: 粒子状多機能複合材料の設計のための教師付き機械学習(ML)に基づく計算手法を提案する。
設計変数(英: design variables)は、材料のミクロ構造と材料の性質を直接リンクする物理的記述子である。
最適化ML法は, 生成データベース上で学習し, 構造と特性の複雑な関係を確立する。
- 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: A supervised machine learning (ML) based computational methodology for the
design of particulate multifunctional composite materials with desired thermal
conductivity (TC) is presented. The design variables are physical descriptors
of the material microstructure that directly link microstructure to the
material's properties. A sufficiently large and uniformly sampled database was
generated based on the Sobol sequence. Microstructures were realized using an
efficient dense packing algorithm, and the TCs were obtained using our
previously developed Fast Fourier Transform (FFT) homogenization method. Our
optimized ML method is trained over the generated database and establishes the
complex relationship between the structure and properties. Finally, the
application of the trained ML model in the inverse design of a new class of
composite materials, liquid metal (LM) elastomer, with desired TC is discussed.
The results show that the surrogate model is accurate in predicting the
microstructure behavior with respect to high-fidelity FFT simulations, and
inverse design is robust in finding microstructure parameters according to case
studies.
- Abstract（参考訳）: 所望の熱伝導率(TC)を有する粒子状多機能複合材料の設計のための教師付き機械学習(ML)に基づく計算手法を提案する。
設計変数は、材料特性とミクロ組織を直接リンクする材料微細構造の物理ディスクリプタである。
sobolシーケンスに基づいて十分な大きさと均一にサンプリングされたデータベースが生成される。
また, 高速フーリエ変換(FFT)ホモジェナイゼーション法を用いて, 効率的な高密度パッキング法により微細構造が実現された。
最適化ML法は, 生成データベース上で学習し, 構造と特性の複雑な関係を確立する。
最後に, 所望のTCを用いた新しい複合材料, 液体金属(LM)エラストマーの逆設計におけるMLモデルの応用について述べる。
その結果, 高忠実度FFTシミュレーションによる微構造挙動の予測にはサロゲートモデルが正確であり, ケーススタディでは逆設計が頑健であることがわかった。
関連論文リスト
- Consistent machine learning for topology optimization with microstructure-dependent neural network material models [0.0]
空間的に異なるミクロ構造対称性と異なる異なるマイクロ構造記述子を持つマルチスケール構造のためのフレームワークを提案する。
本研究は,密度に基づく設計最適化と整合性の統合の可能性を明らかにする。
論文 参考訳（メタデータ） (2024-08-25T14:17:43Z) - Mechanistic Design and Scaling of Hybrid Architectures [114.3129802943915]
我々は、様々な計算プリミティブから構築された新しいハイブリッドアーキテクチャを特定し、テストする。
本研究では,大規模計算最適法則と新しい状態最適スケーリング法則解析を用いて,結果のアーキテクチャを実験的に検証する。
我々は,MAD合成法と計算-最適パープレキシティを相関させ,新しいアーキテクチャの正確な評価を可能にする。
論文 参考訳（メタデータ） (2024-03-26T16:33:12Z) - Scalable Diffusion for Materials Generation [99.71001883652211]
我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。
UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。
材料の生成モデルを評価するための追加指標を提案する。
論文 参考訳（メタデータ） (2023-10-18T15:49:39Z) - How Do Transformers Learn In-Context Beyond Simple Functions? A Case
Study on Learning with Representations [98.7450564309923]
本稿では、より複雑なシナリオにおける文脈内学習(ICL)の理解を、表現を用いた学習で研究する。
合成文内学習問題を合成構造を用いて構築し、ラベルは複雑なが固定された表現関数によって入力に依存する。
理論的には、そのようなアルゴリズムを軽度な深さと大きさでほぼ実装するトランスフォーマーの存在を示す。
論文 参考訳（メタデータ） (2023-10-16T17:40:49Z) - A Neural Network Transformer Model for Composite Microstructure Homogenization [1.2277343096128712]
森田中法のような均質化法は、幅広い構成特性に対して急速な均質化をもたらす。
本稿では,様々なミクロ構造の知識を捉えたトランスフォーマーニューラルネットワークアーキテクチャについて述べる。
ネットワークは、履歴に依存し、非線形で、均質化されたストレス-ひずみ応答を予測する。
論文 参考訳（メタデータ） (2023-04-16T19:57:52Z) - LS-DYNA Machine Learning-based Multiscale Method for Nonlinear Modeling
of Short Fiber-Reinforced Composites [7.891561501854125]
短繊維強化複合材料(英: short-fiber-reinforceed Composites、SFRC)は、自動車やエレクトロニクス産業における軽量構造応用のための高性能な工学材料である。
本研究では, 射出成形による微細構造, 材料均質化, 深層材料ネットワーク(DMN)を統合し, SFRCの構造解析を行う機械学習によるマルチスケール手法を提案する。
論文 参考訳（メタデータ） (2023-01-06T22:33:19Z) - Data-driven multi-scale modeling and robust optimization of composite
structure with uncertainty quantification [0.42581756453559755]
この章では、先進的なデータ駆動手法を示し、先進的な複合材料をマルチスケールでモデリングするために開発・追加する能力について概説する。
代理モデル/エミュレータによって駆動される有限要素法(FEM)シミュレーションに基づく複合構造物のマルチスケールモデリング手法を提案する。
論文 参考訳（メタデータ） (2022-10-13T16:40:11Z) - Linking Properties to Microstructure in Liquid Metal Embedded Elastomers
via Machine Learning [0.0]
液体金属(LM)はエラストマーマトリックスに埋め込まれ、独特の熱、誘電体、機械的特性を持つ軟質複合材料が得られる。
これらの材料の性質と構造を結びつけることにより、材料設計を合理的に行うことができる。
論文 参考訳（メタデータ） (2022-07-24T06:02:26Z) - Machine Learning model for gas-liquid interface reconstruction in CFD
numerical simulations [59.84561168501493]
流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。
VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。
一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
論文 参考訳（メタデータ） (2022-07-12T17:07:46Z) - 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) - Augmentation of the Reconstruction Performance of Fuzzy C-Means with an
Optimized Fuzzification Factor Vector [99.19847674810079]
Fuzzy C-Means (FCM) は情報グラニュラーを構成する最も頻繁に使用される手法の1つである。
本稿では, ファジィ化因子のベクトルを導入することにより, FCMに基づく脱顆粒機構を増強する。
合成データセットと公開データセットの両方で実験が完了し、提案手法が汎用データ再構成手法より優れていることが示された。
論文 参考訳（メタデータ） (2020-04-13T04:17:30Z)
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。