論文の概要: Neural Network Gaussian Process Considering Input Uncertainty for
Composite Structures Assembly
- arxiv url: http://arxiv.org/abs/2011.10861v1
- Date: Sat, 21 Nov 2020 20:21:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 23:15:18.669331
- Title: Neural Network Gaussian Process Considering Input Uncertainty for
Composite Structures Assembly
- Title(参考訳): 複合構造集合に対する入力不確かさを考慮したニューラルネットワークガウス過程
- Authors: Cheolhei Lee, Jianguo Wu, Wenjia Wang, Xiaowei Yue
- Abstract要約: 本稿では,複合構造集合の入力不確実性を考慮したニューラルネットワークガウス過程モデルを提案する。
NNGPIUは、応答関数が非滑らかで非線形である場合、他のベンチマーク手法よりも優れている。
複合構造アセンブリを例に挙げるが, 本手法は本質的な不確実性を持つ他の工学系にも適用可能である。
- 参考スコア(独自算出の注目度): 13.330270644806307
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Developing machine learning enabled smart manufacturing is promising for
composite structures assembly process. To improve production quality and
efficiency of the assembly process, accurate predictive analysis on dimensional
deviations and residual stress of the composite structures is required. The
novel composite structures assembly involves two challenges: (i) the highly
nonlinear and anisotropic properties of composite materials; and (ii)
inevitable uncertainty in the assembly process. To overcome those problems, we
propose a neural network Gaussian process model considering input uncertainty
for composite structures assembly. Deep architecture of our model allows us to
approximate a complex process better, and consideration of input uncertainty
enables robust modeling with complete incorporation of the process uncertainty.
Based on simulation and case study, the NNGPIU can outperform other benchmark
methods when the response function is nonsmooth and nonlinear. Although we use
composite structure assembly as an example, the proposed methodology can be
applicable to other engineering systems with intrinsic uncertainties.
- Abstract(参考訳): 機械学習を有効にするスマートマニュファクチャリングの開発は、複合構造組み立てプロセスに期待できる。
組立工程の製作品質と効率を向上させるためには, 寸法偏差および複合構造物の残留応力の正確な予測分析が必要である。
新しい複合構造組み立てには2つの課題がある。
(i)複合材料の高非線形・異方性
(ii)組立工程における必然的な不確実性。
これらの問題を解決するために,複合構造集合の入力不確実性を考慮したニューラルネットワークガウス過程モデルを提案する。
入力の不確実性を考慮することで、プロセス不確実性を完全に組み込んだロバストなモデリングが可能になります。
シミュレーションとケーススタディに基づき、nngpiuは応答関数が非スムースで非線形である場合、他のベンチマーク手法よりも優れる。
複合構造アセンブリを例に挙げるが, 本手法は本質的な不確実性を持つ他の工学系にも適用可能である。
関連論文リスト
- Decomposing Uncertainty for Large Language Models through Input
Clarification Ensembling [74.00331519233026]
大規模言語モデル(LLM)のための不確実性分解フレームワークを提案する。
我々のフレームワークは入力の一連の明確化を生成し、それらを固定LLMに入力し、対応する予測をアンサンブルする。
実験により,提案手法は様々なタスクに対して正確かつ確実な不確実性定量化を提供することを示した。
論文 参考訳(メタデータ) (2023-11-15T05:58:35Z) - A Neural Network Transformer Model for Composite Microstructure
Homogenization [0.0]
複合組織における不均一性と不確実性は、厳密にモデル化された場合の計算ボトルネックや、応力場における不正確な解や、近似された場合の故障予測につながる。
本稿では,様々なミクロ構造や構成成分の知識を捉える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。
論文 参考訳(メタデータ) (2023-04-16T19:57:52Z) - Computational Discovery of Microstructured Composites with Optimal
Stiffness-Toughness Trade-Offs [39.393383789980895]
硬さと硬さの対立は、工学材料設計における根本的な問題である。
物理実験,数値シミュレーション,人工ニューラルネットワークを統合した一般化可能なパイプラインを導入し,両課題に対処する。
本手法は, 固体力学以外の様々な研究領域において, 計算設計の青写真を提供する。
論文 参考訳(メタデータ) (2023-02-01T00:50:16Z) - 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) - Extending Process Discovery with Model Complexity Optimization and
Cyclic States Identification: Application to Healthcare Processes [62.997667081978825]
モデル最適化のための半自動支援を実現するプロセスマイニング手法を提案する。
所望の粒度で生モデルを抽象化するモデル単純化手法が提案されている。
医療分野の異なるアプリケーションから得られた3つのデータセットを用いて、技術的ソリューションの能力を実証することを目的としている。
論文 参考訳(メタデータ) (2022-06-10T16:20:59Z) - 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) - Self-supervised optimization of random material microstructures in the
small-data regime [0.0]
本稿では、プロセス構造と構造-プロパティ結合の不確実性を考慮した、柔軟な、完全に確率的な最適化問題の定式化について述べる。
我々は、計算を高速化し、非微分目標の処理を可能にする構造-プロパティリンクに対して確率論的、データ駆動サロゲートを用いる。
二相ランダムメディアの機械的および熱的特性を最適化する効果を実証するが、その適用性は様々なマイクロ構造に敏感な設計問題を含むと想定する。
論文 参考訳(メタデータ) (2021-08-05T13:25:39Z) - Automated Evolutionary Approach for the Design of Composite Machine
Learning Pipelines [48.7576911714538]
提案手法は、複合機械学習パイプラインの設計を自動化することを目的としている。
パイプラインをカスタマイズ可能なグラフベースの構造で設計し、得られた結果を分析して再生する。
このアプローチのソフトウェア実装は、オープンソースフレームワークとして紹介されている。
論文 参考訳(メタデータ) (2021-06-26T23:19:06Z) - Efficient Micro-Structured Weight Unification and Pruning for Neural
Network Compression [56.83861738731913]
ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。
既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。
ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
論文 参考訳(メタデータ) (2021-06-15T17:22:59Z) - A Data-Driven Approach to Full-Field Damage and Failure Pattern
Prediction in Microstructure-Dependent Composites using Deep Learning [2.4309139330334846]
この作業は、そのような材料の高忠実度シミュレーションの複雑さと計算コストによって動機づけられます。
深層学習フレームワークは, 損傷後の応力分布と亀裂パターンを予測する。
提案手法は, 複合材料が損傷後の全応力分布と故障パターンを効果的に予測できることを示す。
論文 参考訳(メタデータ) (2021-04-09T17:11:50Z) - Learning Mixtures of Low-Rank Models [89.39877968115833]
低ランクモデルの計算混合を学習する問題について検討する。
ほぼ最適サンプルを用いて未知の行列を復元することが保証されるアルゴリズムを開発する。
さらに,提案アルゴリズムはランダムノイズに対して確実に安定である。
論文 参考訳(メタデータ) (2020-09-23T17:53:48Z)
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。