論文の概要: Machine Learning and Data Analytics for Design and Manufacturing of
High-Entropy Materials Exhibiting Mechanical or Fatigue Properties of
Interest
- arxiv url: http://arxiv.org/abs/2012.07583v1
- Date: Sat, 5 Dec 2020 19:32:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-22 11:58:50.011238
- Title: Machine Learning and Data Analytics for Design and Manufacturing of
High-Entropy Materials Exhibiting Mechanical or Fatigue Properties of
Interest
- Title（参考訳）: 機械的・疲労特性を有する高エントロピー材料の設計・製造のための機械学習とデータ分析
- Authors: Baldur Steingrimsson, Xuesong Fan, Anand Kulkarni, Michael C. Gao,
Peter K. Liaw
- Abstract要約: 主な焦点は、構造材料のための大きな組成空間を持つ合金と複合材料である。
利子の出力特性ごとに、対応する駆動(入力)因子を識別する。
このフレームワークは、手元にあるアプリケーションと利用可能なデータに適した最適化手法を選択することを前提としている。
- 参考スコア（独自算出の注目度）: 0.24466725954625884
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This chapter presents an innovative framework for the application of machine
learning and data analytics for the identification of alloys or composites
exhibiting certain desired properties of interest. The main focus is on alloys
and composites with large composition spaces for structural materials. Such
alloys or composites are referred to as high-entropy materials (HEMs) and are
here presented primarily in context of structural applications. For each output
property of interest, the corresponding driving (input) factors are identified.
These input factors may include the material composition, heat treatment,
manufacturing process, microstructure, temperature, strain rate, environment,
or testing mode. The framework assumes the selection of an optimization
technique suitable for the application at hand and the data available.
Physics-based models are presented, such as for predicting the ultimate tensile
strength (UTS) or fatigue resistance. We devise models capable of accounting
for physics-based dependencies. We factor such dependencies into the models as
a priori information. In case that an artificial neural network (ANN) is deemed
suitable for the applications at hand, it is suggested to employ custom kernel
functions consistent with the underlying physics, for the purpose of attaining
tighter coupling, better prediction, and for extracting the most out of the -
usually limited - input data available.
- Abstract（参考訳）: 本章は、特定の目的特性を示す合金や複合材料の識別に機械学習とデータ分析を応用するための革新的な枠組みを提案する。
主な焦点は構造材料のための大きな組成空間を持つ合金と複合材料である。
このような合金や複合材料は高エントロピー材料(HEM)と呼ばれ、主に構造的応用の文脈で提示される。
各利子の出力特性について、対応する駆動(入力)因子を特定する。
これらの入力要因には、材料組成、熱処理、製造プロセス、微細構造、温度、ひずみ速度、環境、試験モードが含まれる。
フレームワークは、手元にあるアプリケーションと利用可能なデータに適した最適化技術の選択を想定している。
物理学に基づくモデルは、究極の引張強度(UTS)や疲労抵抗を予測するために提示される。
我々は物理ベースの依存関係を計算できるモデルを考案する。
このような依存関係を優先順位情報としてモデルに分解する。
人工ニューラルネットワーク(ANN)が応用に適していると考えられる場合、より緊密な結合、より良い予測、通常利用可能な制限された入力データの最も多くを抽出するために、基礎となる物理学と整合したカスタムカーネル関数を採用することが提案されている。
関連論文リスト
- Foundation Model for Composite Materials and Microstructural Analysis [49.1574468325115]
複合材料に特化して設計された基礎モデルを提案する。
我々のモデルは、頑健な潜伏特性を学習するために、短繊維コンポジットのデータセット上で事前訓練されている。
転送学習中、MMAEはR2スコアが0.959に達し、限られたデータで訓練しても0.91を超えている均質化剛性を正確に予測する。
論文 参考訳（メタデータ） (2024-11-10T19:06:25Z) - SciQu: Accelerating Materials Properties Prediction with Automated Literature Mining for Self-Driving Laboratories [0.7673339435080445]
特定の属性を予測するために異なる材料特性を評価することは、材料科学に基づく応用の基本的な要件である。
本研究は,機械学習を利用して材料特性を高精度かつ効率的に解析することにより,これらの課題に対処する。
データ抽出を自動化し、抽出した情報を用いて機械学習モデルを訓練することにより、開発したSciQuは材料特性を最適化する。
論文 参考訳（メタデータ） (2024-07-11T08:12:46Z) - AlloyBERT: Alloy Property Prediction with Large Language Models [5.812284760539713]
本研究は, テキスト入力による合金特性の予測を目的とした変圧器エンコーダモデル, AlloyBERTを紹介する。
テキストデータに基づいてトレーニングされたトークン化器とRoBERTaエンコーダを組み合わさることで,Multi principal Elemental Alloys (MPEA)データセットにおける平均2乗誤差(MSE)が0.00015,Refractory Alloy Yield Strength (RAYS)データセットで0.00611に達した。
本研究は,材料科学における言語モデルの可能性を強調し,合金特性のテキストベース予測のための基礎的枠組みを構築した。
論文 参考訳（メタデータ） (2024-03-28T19:09:46Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - Modular machine learning-based elastoplasticity: generalization in the
context of limited data [0.0]
エラスト塑性の定式化のモジュラリティに頼って,データの変動量に対処できるハイブリッドフレームワークについて論じる。
発見された物質モデルは、よく補間できるだけでなく、トレーニングデータの領域外から熱力学的に一貫した方法で正確な外挿を可能にする。
論文 参考訳（メタデータ） (2022-10-15T17:35:23Z) - 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) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - Symmetry Group Equivariant Architectures for Physics [52.784926970374556]
機械学習の分野では、対称性に対する認識が目覚ましいパフォーマンスのブレークスルーを引き起こしている。
物理学のコミュニティと、より広い機械学習のコミュニティの両方に、理解すべきことがたくさんある、と私たちは主張する。
論文 参考訳（メタデータ） (2022-03-11T18:27:04Z) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳（メタデータ） (2021-12-22T14:45:37Z) - Model-agnostic multi-objective approach for the evolutionary discovery
of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。
合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文 参考訳（メタデータ） (2021-07-07T11:17:09Z) - FEA-Net: A Physics-guided Data-driven Model for Efficient Mechanical
Response Prediction [20.661387229686312]
本稿では,材料や構造物の機械的応答を予測するための物理誘導学習アルゴリズムを提案する。
データ駆動モデルを構築するために、物理におけるこれまでの知識を生かした、特別なタイプのディープ畳み込みニューラルネットワーク(DCNN)が提案されている。
論文 参考訳（メタデータ） (2020-01-31T09:37:44Z)
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。