論文の概要: Thermodynamic Consistent Neural Networks for Learning Material
Interfacial Mechanics
- arxiv url: http://arxiv.org/abs/2011.14172v1
- Date: Sat, 28 Nov 2020 17:25:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-19 19:56:45.883341
- Title: Thermodynamic Consistent Neural Networks for Learning Material
Interfacial Mechanics
- Title(参考訳): 材料界面力学学習のための熱力学的一貫性ニューラルネットワーク
- Authors: Jiaxin Zhang, Congjie Wei, Chenglin Wu
- Abstract要約: トラクション・セパレーション関係(TSR)は、開口中の材料界面の力学的挙動を定量的に記述する。
ニューラルネットワークはロードパスとうまく適合するが、物理の法則に従わないことが多い。
本稿では,TSRのデータ駆動モデルを構築するための熱力学的一貫したニューラルネットワーク (TCNN) を提案する。
- 参考スコア(独自算出の注目度): 6.087530833458481
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: For multilayer materials in thin substrate systems, interfacial failure is
one of the most challenges. The traction-separation relations (TSR)
quantitatively describe the mechanical behavior of a material interface
undergoing openings, which is critical to understand and predict interfacial
failures under complex loadings. However, existing theoretical models have
limitations on enough complexity and flexibility to well learn the real-world
TSR from experimental observations. A neural network can fit well along with
the loading paths but often fails to obey the laws of physics, due to a lack of
experimental data and understanding of the hidden physical mechanism. In this
paper, we propose a thermodynamic consistent neural network (TCNN) approach to
build a data-driven model of the TSR with sparse experimental data. The TCNN
leverages recent advances in physics-informed neural networks (PINN) that
encode prior physical information into the loss function and efficiently train
the neural networks using automatic differentiation. We investigate three
thermodynamic consistent principles, i.e., positive energy dissipation,
steepest energy dissipation gradient, and energy conservative loading path. All
of them are mathematically formulated and embedded into a neural network model
with a novel defined loss function. A real-world experiment demonstrates the
superior performance of TCNN, and we find that TCNN provides an accurate
prediction of the whole TSR surface and significantly reduces the violated
prediction against the laws of physics.
- Abstract(参考訳): 薄い基板系における多層膜材料では界面破壊が最も困難である。
トラクション分離関係(tsr)は、複雑な荷重下での界面障害の理解と予測に不可欠である開口部を有する材料界面の機械的挙動を定量的に記述する。
しかし、既存の理論モデルは、実験的な観測から現実世界のTSRを十分に学ぶのに十分な複雑さと柔軟性に制限がある。
ニューラルネットワークはロードパスとうまく適合するが、実験データの欠如と隠れた物理的メカニズムの理解のため、物理学の法則に従わないことが多い。
本稿では,TSRのデータ駆動モデルを構築するための熱力学的一貫したニューラルネットワーク (TCNN) を提案する。
TCNNは物理インフォームドニューラルネットワーク(PINN)の最近の進歩を活用して、過去の物理情報を損失関数にエンコードし、自動微分を用いてニューラルネットワークを効率的に訓練する。
本研究では,3つの熱力学的一貫した原理,すなわち正のエネルギー散逸,最急なエネルギー散逸勾配,エネルギー保守的な負荷経路について検討する。
これらはすべて数学的に定式化され、新たに定義された損失関数を持つニューラルネットワークモデルに埋め込まれる。
実世界の実験はTCNNの優れた性能を示し、TNNはTSR表面全体の正確な予測を提供し、物理法則に対する違反予測を著しく低減する。
関連論文リスト
- Knowledge-Based Convolutional Neural Network for the Simulation and Prediction of Two-Phase Darcy Flows [3.5707423185282656]
物理インフォームドニューラルネットワーク(PINN)は、科学計算とシミュレーションの分野で強力なツールとして注目されている。
本稿では、ニューラルネットワークのパワーと、離散化微分方程式によって課される力学を組み合わせることを提案する。
支配方程式を識別することにより、PINNは不連続性を考慮し、入力と出力の間の基礎となる関係を正確に捉えることを学ぶ。
論文 参考訳(メタデータ) (2024-04-04T06:56:32Z) - Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳(メタデータ) (2024-02-20T15:23:24Z) - Physics-Informed Neural Networks with Hard Linear Equality Constraints [9.101849365688905]
本研究は,線形等式制約を厳格に保証する物理インフォームドニューラルネットワークKKT-hPINNを提案する。
溶融タンク炉ユニット, 抽出蒸留サブシステム, 化学プラントのアスペンモデル実験により, このモデルが予測精度をさらに高めることを示した。
論文 参考訳(メタデータ) (2024-02-11T17:40:26Z) - Physics-Informed Deep Learning of Rate-and-State Fault Friction [0.0]
我々は, 前方問題と非線形欠陥摩擦パラメータの直接逆変換のためのマルチネットワークPINNを開発した。
本稿では1次元および2次元のストライク・スリップ断層に対する速度・状態摩擦を考慮した計算PINNフレームワークを提案する。
その結果, 断層におけるパラメータ逆転のネットワークは, 結合した物質変位のネットワークよりもはるかに優れていることがわかった。
論文 参考訳(メタデータ) (2023-12-14T23:53:25Z) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳(メタデータ) (2023-02-20T19:36:52Z) - 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) - 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) - Training Feedback Spiking Neural Networks by Implicit Differentiation on
the Equilibrium State [66.2457134675891]
スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする脳にインスパイアされたモデルである。
既存のほとんどの手法は、人工ニューラルネットワークのバックプロパゲーションフレームワークとフィードフォワードアーキテクチャを模倣している。
本稿では,フォワード計算の正逆性に依存しない新しいトレーニング手法を提案する。
論文 参考訳(メタデータ) (2021-09-29T07:46:54Z) - Characterizing possible failure modes in physics-informed neural
networks [55.83255669840384]
科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。
既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。
これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
論文 参考訳(メタデータ) (2021-09-02T16:06:45Z) - Explainable artificial intelligence for mechanics: physics-informing
neural networks for constitutive models [0.0]
メカニクスにおいて、物理インフォームドニューラルネットワークの新しい活発な分野は、機械的知識に基づいてディープニューラルネットワークを設計することによって、この欠点を緩和しようとする。
本論文では,機械データに訓練されたニューラルネットワークを後述する物理形成型アプローチへの第一歩を提案する。
これにより、主成分分析はRNNの細胞状態における分散表現をデコレーションし、既知の基本関数との比較を可能にする。
論文 参考訳(メタデータ) (2021-04-20T18:38:52Z) - Thermodynamics-based Artificial Neural Networks for constitutive
modeling [0.0]
本稿では,物質点レベルでのひずみ速度独立過程のモデリングのための,データ駆動型物理ベースニューラルネットワークの新たなクラスを提案する。
熱力学の2つの基本原理は、自動微分を利用してネットワークのアーキテクチャに符号化される。
本研究では, 伸縮硬化および軟化ひずみを有するエラスト塑性材料をモデル化するためのTANNの広範囲な適用性を示す。
論文 参考訳(メタデータ) (2020-05-25T15:56:34Z)
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。