論文の概要: StressNet: Deep Learning to Predict Stress With Fracture Propagation in Brittle Materials

• arxiv url: http://arxiv.org/abs/2011.10227v1
• Date: Fri, 20 Nov 2020 05:49:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-23 06:34:00.885016
• Title: StressNet: Deep Learning to Predict Stress With Fracture Propagation in Brittle Materials
• Title（参考訳）: stressnet: 脆性材料の破壊伝播を伴う応力予測のためのディープラーニング
• Authors: Yinan Wang, Diane Oyen, Weihong (Grace) Guo, Anishi Mehta, Cory Braker Scott, Nishant Panda, M. Giselle Fern\'andez-Godino, Gowri Srinivasan, Xiaowei Yue
• Abstract要約: 脆性材料の破砕は、しばしば内部応力の強い亀裂の急激な成長と合体によるものである。 フラクチャー伝播と初期応力データに基づく最大内部応力列全体を予測するために「応力ネット」を提案する。 提案モデルでは,最大内部応力の高精度なマルチステップ予測を約20秒で計算できる。
• 参考スコア（独自算出の注目度）: 6.245804384813862
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Catastrophic failure in brittle materials is often due to the rapid growth and coalescence of cracks aided by high internal stresses. Hence, accurate prediction of maximum internal stress is critical to predicting time to failure and improving the fracture resistance and reliability of materials. Existing high-fidelity methods, such as the Finite-Discrete Element Model (FDEM), are limited by their high computational cost. Therefore, to reduce computational cost while preserving accuracy, a novel deep learning model, "StressNet," is proposed to predict the entire sequence of maximum internal stress based on fracture propagation and the initial stress data. More specifically, the Temporal Independent Convolutional Neural Network (TI-CNN) is designed to capture the spatial features of fractures like fracture path and spall regions, and the Bidirectional Long Short-term Memory (Bi-LSTM) Network is adapted to capture the temporal features. By fusing these features, the evolution in time of the maximum internal stress can be accurately predicted. Moreover, an adaptive loss function is designed by dynamically integrating the Mean Squared Error (MSE) and the Mean Absolute Percentage Error (MAPE), to reflect the fluctuations in maximum internal stress. After training, the proposed model is able to compute accurate multi-step predictions of maximum internal stress in approximately 20 seconds, as compared to the FDEM run time of 4 hours, with an average MAPE of 2% relative to test data.
• Abstract（参考訳）: 脆性材料の破砕は、しばしば内部応力の強い亀裂の急激な成長と合体によるものである。 したがって, 内部応力の最大値の正確な予測は, 破壊時期の予測や材料の耐破壊性, 信頼性の向上に不可欠である。 FDEM(Finite-Discrete Element Model)のような既存の高忠実度法はその計算コストによって制限される。 そのため, 精度を保ちつつ計算コストを削減するために, 破壊伝播と初期応力データに基づく最大内部応力列の予測のために, 新たな深層学習モデルstressnetが提案されている。 より具体的には、時間独立畳み込みニューラルネットワーク(ti-cnn)は骨折経路やスポール領域などの骨折の空間的特徴を捉えるように設計され、双方向長期記憶(bi-lstm)ネットワークは時間的特徴を捉えるように適応されている。 これらの特徴を融合することにより、最大内部応力の時間変化を正確に予測することができる。 さらに, 平均正方形誤差 (MSE) と平均絶対パーセンテージ誤差 (MAPE) を動的に統合することにより, 内部応力の最大変動を反映して適応損失関数を設計する。 トレーニング後,FDEMの実行時間は4時間であり,テストデータに対する平均MAPEは2%であるのに対し,本モデルでは,最大内部応力の高精度なマルチステップ予測を約20秒で行うことができる。

関連論文リスト

• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Neuro-DynaStress: Predicting Dynamic Stress Distributions in Structural Components [10.588266927411434]
  高度に破壊的な事象をリアルタイムに予測することは、動的応力分布を予測することが重要である。 有限要素シミュレーションに基づいて, 応力分布の全列を予測するために, ディープラーニングモデルNeuro-DynaStressを提案する。
  論文  参考訳（メタデータ） (2022-12-19T03:02:26Z)
• Physics Informed Neural Network for Dynamic Stress Prediction [10.588266927411434]
  有限要素シミュレーションに基づいて, 応力分布の全列を予測するために, 物理インフォームドニューラルネットワーク(PINN)モデルを提案する。 自動微分を用いて、深層ニューラルネットワークの損失関数にPDEを埋め込み、測定やPDEからの情報を取り込む。 PINN-Stressモデルは、ほぼリアルタイムで応力分布の列を予測でき、PINNなしではモデルよりも良く一般化できる。
  論文  参考訳（メタデータ） (2022-11-28T16:03:21Z)
• A generalized machine learning framework for brittle crack problems using transfer learning and graph neural networks [0.0]
  我々は、大きなデータセットで再トレーニングする必要性を回避するために、転送学習アプローチを使用します。 本研究では, ひび割れ進展と応力進展を予測できるACCURATEの能力を, 未確認症例に対して高い精度で示す。 このフレームワークは、将来の作業で容易に修正または拡張できる普遍的な計算破壊力学モデルを提供する。
  論文  参考訳（メタデータ） (2022-11-22T18:16:16Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
  確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。 本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
  論文  参考訳（メタデータ） (2022-04-01T17:57:36Z)
• Enhanced physics-constrained deep neural networks for modeling vanadium redox flow battery [62.997667081978825]
  本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。 ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
  論文  参考訳（メタデータ） (2022-03-03T19:56:24Z)
• Learning representations with end-to-end models for improved remaining useful life prognostics [64.80885001058572]
  残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。 マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。 提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
  論文  参考訳（メタデータ） (2021-04-11T16:45:18Z)
• A Simple Fine-tuning Is All You Need: Towards Robust Deep Learning Via Adversarial Fine-tuning [90.44219200633286]
  我々は,$textitslow start, fast decay$ learning rate schedulingストラテジーに基づく,単純かつ非常に効果的な敵の微調整手法を提案する。 実験の結果,提案手法はCIFAR-10, CIFAR-100, ImageNetデータセットの最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-25T20:50:15Z)
• Predicting Training Time Without Training [120.92623395389255]
  我々は、事前訓練された深層ネットワークが損失関数の所定の値に収束する必要がある最適化ステップの数を予測する問題に取り組む。 我々は、微調整中の深部ネットワークのトレーニングダイナミクスが線形化モデルによってよく近似されているという事実を活用する。 トレーニングをする必要なく、特定の損失にモデルを微調整するのに要する時間を予測できます。
  論文  参考訳（メタデータ） (2020-08-28T04:29:54Z)
• Recurrent neural networks and Koopman-based frameworks for temporal predictions in a low-order model of turbulence [1.95992742032823]
  本研究では,長期記憶ネットワークを適切に訓練したカオスシステムの長期統計の再現性に優れることを示す。 Koopmanベースのフレームワークは、非線形強制(KNF)を備えたKoopmanと呼ばれ、計算コストが大幅に低い統計において、同じレベルの正確性をもたらす。
  論文  参考訳（メタデータ） (2020-05-01T11:05:14Z)

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。