論文の概要: Predicting Mechanical Properties from Microstructure Images in
Fiber-reinforced Polymers using Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2010.03675v1
- Date: Wed, 7 Oct 2020 22:15:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-10 00:22:52.498986
- Title: Predicting Mechanical Properties from Microstructure Images in
Fiber-reinforced Polymers using Convolutional Neural Networks
- Title（参考訳）: 畳み込みニューラルネットワークを用いた繊維強化ポリマーの微細構造画像からの力学特性の予測
- Authors: Yixuan Sun, Imad Hanhan, Michael D. Sangid, and Guang Lin
- Abstract要約: 本稿では,繊維強化ポリマー試料の2次元分割トモグラフィ画像の応力場予測のために,ScressNetから修正した完全畳み込みニューラルネットワークについて検討する。
トレーニングされたモデルは、通常のラップトップ上で1回のフォワードパスで数秒以内に予測を行うことができ、ハイパフォーマンスなコンピューティングクラスタ上で完全な有限要素シミュレーションを実行するのに92.5時間かかる。
- 参考スコア（独自算出の注目度）: 8.023452876968694
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Evaluating the mechanical response of fiber-reinforced composites can be
extremely time consuming and expensive. Machine learning (ML) techniques offer
a means for faster predictions via models trained on existing input-output
pairs and have exhibited success in composite research. This paper explores a
fully convolutional neural network modified from StressNet, which was
originally for lin-ear elastic materials and extended here for a non-linear
finite element (FE) simulation to predict the stress field in 2D slices of
segmented tomography images of a fiber-reinforced polymer specimen. The network
was trained and evaluated on data generated from the FE simulations of the
exact microstructure. The testing results show that the trained network
accurately captures the characteristics of the stress distribution, especially
on fibers, solely from the segmented microstructure images. The trained model
can make predictions within seconds in a single forward pass on an ordinary
laptop, given the input microstructure, compared to 92.5 hours to run the full
FE simulation on a high-performance computing cluster. These results show
promise in using ML techniques to conduct fast structural analysis for
fiber-reinforced composites and suggest a corollary that the trained model can
be used to identify the location of potential damage sites in fiber-reinforced
polymers.
- Abstract（参考訳）: 繊維強化複合材料の機械的応答の評価は非常に時間がかかり、費用がかかる。
機械学習(ML)技術は、既存の入出力ペアでトレーニングされたモデルを介してより高速な予測を行う手段を提供する。
本稿では, 非線形有限要素 (FE) シミュレーションにより, 繊維強化ポリマー試料の2次元分割トモグラフィー画像の応力場を予測するために, 非線形弾性材料のためのScressNetを改良した完全畳み込みニューラルネットワークについて検討する。
このネットワークは、feシミュレーションから生成された正確な微細構造のデータをトレーニングし、評価した。
実験結果から, トレーニングされたネットワークは, 特に繊維上の応力分布特性を, セグメント画像のみから正確に捉えていることがわかった。
トレーニングされたモデルは、入力マイクロ構造を考えると、通常のラップトップ上で1回のフォワードパスで数秒以内に予測を行うことができ、ハイパフォーマンスなコンピューティングクラスタ上でFEシミュレーションを実行するのに92.5時間かかる。
これらの結果から, 繊維強化複合材料の高速構造解析にml法を用いることが期待でき, 繊維強化ポリマーの損傷部位の同定にトレーニングモデルが有効であることが示唆された。
関連論文リスト
- 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) - A micromechanics-based recurrent neural networks model for
path-dependent cyclic deformation of short fiber composites [0.0]
本研究では, 短繊維強化複合材料の経路依存性弾塑性応力応答を予測するために, 繰り返し深部ニューラルネットワークモデルを訓練する。
このモデルは、独立したマイクロメカニカルシミュレーションと比較した場合、計算的に非常に正確な予測を与える。
論文 参考訳（メタデータ） (2022-09-27T12:14:15Z) - 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) - Three-dimensional microstructure generation using generative adversarial
neural networks in the context of continuum micromechanics [77.34726150561087]
本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。
軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
論文 参考訳（メタデータ） (2022-05-31T13:26:51Z) - The Preliminary Results on Analysis of TAIGA-IACT Images Using
Convolutional Neural Networks [68.8204255655161]
本研究の目的は,AIGA-IACTに設定された課題を解決するための機械学習アプリケーションの可能性を検討することである。
The method of Convolutional Neural Networks (CNN) was applied to process and analysis Monte-Carlo eventssimulated with CORSIKA。
論文 参考訳（メタデータ） (2021-12-19T15:17:20Z) - 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) - Predicting the Mechanical Properties of Fibrin Using Neural Networks
Trained on Discrete Fiber Network Data [0.8812900098821118]
本稿では,RVEモデルの動作を効率的に捉えるために,人工完全連結ニューラルネットワーク(FCNN)を提案する。
FCNNは121の二軸変形を受ける1100の繊維ネットワークで訓練された。
我々のUMATを用いてフィブリンゲルの有限要素シミュレーションに利用した。
論文 参考訳（メタデータ） (2021-01-23T23:52:33Z) - A reusable pipeline for large-scale fiber segmentation on unidirectional
fiber beds using fully convolutional neural networks [68.8204255655161]
我々は,X線X線CTファイバーベッド内のファイバーを検出するためのオープンな計算パイプラインを提案する。
これらのサンプルの繊維を分離するために、完全畳み込みニューラルネットワークの4つの異なるアーキテクチャをテストした。
ニューラルネットワークのアプローチを半監視方式と比較すると、DiceとMatthewsの係数は92.28 pm 9.65%以上となり、最大98.42 pm 0.03 %$に達した。
論文 参考訳（メタデータ） (2021-01-13T00:58:29Z) - Predictive modeling approaches in laser-based material processing [59.04160452043105]
本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。
その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。
結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
論文 参考訳（メタデータ） (2020-06-13T17:28:52Z) - Intelligent multiscale simulation based on process-guided composite
database [0.0]
本稿では、プロセスモデリング、材料均質化、機械学習に基づく統合データ駆動モデリングフレームワークを提案する。
我々は, 自動車, 航空宇宙, エレクトロニクス産業において重要な材料システムとして認識されてきた, 射出成形した短繊維強化複合材料に興味を持っている。
論文 参考訳（メタデータ） (2020-03-20T20:39:19Z)
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。