論文の概要: Predicting the Mechanical Properties of Fibrin Using Neural Networks Trained on Discrete Fiber Network Data

• arxiv url: http://arxiv.org/abs/2101.11712v1
• Date: Sat, 23 Jan 2021 23:52:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-19 10:39:00.548036
• Title: Predicting the Mechanical Properties of Fibrin Using Neural Networks Trained on Discrete Fiber Network Data
• Title（参考訳）: 離散ファイバーネットワークデータを用いたニューラルネットワークによるフィブリンの力学特性予測
• Authors: Yue Leng, Sarah Calve, Adrian Buganza Tepole
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.8812900098821118
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fibrin is a structural protein key for processes such as wound healing and thrombus formation. At the macroscale, fibrin forms a gel and has a mechanical response that is dictated by the mechanics of a microscale fiber network. Hence, accurate description of fibrin gels can be achieved using representative volume elements (RVE) that explicitly model the discrete fiber networks of the microscale. These RVE models, however, cannot be efficiently used to model the macroscale due to the challenges and computational demands of multiscale coupling. Here, we propose the use of an artificial, fully connected neural network (FCNN) to efficiently capture the behavior of the RVE models. The FCNN was trained on 1100 fiber networks subjected to 121 biaxial deformations. The stress data from the RVE, together with the total energy on the fibers and the condition of incompressibility of the surrounding matrix, were used to determine the derivatives of an unknown strain energy function with respect to the deformation invariants. During training, the loss function was modified to ensure convexity of the strain energy function and symmetry of its Hessian. A general FCNN model was coded into a user material subroutine (UMAT) in the software Abaqus. The UMAT implementation takes in the structure and parameters of an arbitrary FCNN as material parameters from the input file. The inputs to the FCNN include the first two isochoric invariants of the deformation. The FCNN outputs the derivatives of the strain energy with respect to the isochoric invariants. In this work, the FCNN trained on the discrete fiber network data was used in finite element simulations of fibrin gels using our UMAT. We anticipate that this work will enable further integration of machine learning tools with computational mechanics. It will also improve computational modeling of biological materials characterized by a multiscale structure.
• Abstract（参考訳）: フィブリンは創傷治癒や血栓形成などのプロセスのための構造タンパク質キーである。 マクロスケールでは、フィブリンはゲルを形成し、マイクロスケールファイバーネットワークのメカニズムによって引き起こされる機械的応答を持つ。 したがって、マイクロスケールの離散ファイバーネットワークを明示的にモデル化する代表体積要素(RVE)を用いて、フィブリンゲルの正確な記述を行うことができる。 しかし、これらのRVEモデルは、マルチスケール結合の課題や計算要求のために、マクロスケールを効率的にモデル化することはできない。 本稿では,完全結合型人工ニューラルネットワーク(fcnn)を用いて,rveモデルの挙動を効率的に把握する手法を提案する。 fcnnは121の2軸変形を受ける1100のファイバーネットワークで訓練された。 RVEからの応力データは, 繊維の総エネルギーと周囲マトリックスの非圧縮性の条件とともに, 変形不変量に関して未知のひずみエネルギー関数の導関数を決定するために利用した。 訓練中、損失関数はひずみエネルギー関数の凸性とヘッセンの対称性を保証するために修正された。 一般的なFCNNモデルは、ソフトウェアAbaqusのユーザマテリアルサブルーチン(UMAT)にコード化された。 UMATの実装は、任意のFCNNの構造とパラメータを入力ファイルから材料パラメータとして取り込む。 FCNNへの入力は、変形の最初の2つの等方的不変量を含む。 fcnnはイソコリック不変量に関してひずみエネルギーの導関数を出力する。 本研究では, 離散ファイバネットワークデータを用いたfcnnを用いて, umatを用いたフィブリンゲルの有限要素シミュレーションを行った。 この研究により、機械学習ツールと計算力学のさらなる統合が期待できる。 マルチスケール構造を特徴とする生体材料の計算モデリングも改善する。

関連論文リスト

• FRC-TOuNN: Topology Optimization of Continuous Fiber Reinforced Composites using Neural Network [4.355018965813992]
  本稿では,ニューラルネットワーク(NN)に基づくメッシュ非依存表現を提案し,行列トポロジとファイバー分布を捉える。 暗黙的なNNベースの表現は、メッシュの離散化よりも高い解像度で幾何学的および物質的クエリを可能にする。 固定化連続繊維強化複合材料を高分解能で高分解能で製造できることを示す。
  論文  参考訳（メタデータ） (2022-05-07T23:10:34Z)
• Trainable Compound Activation Functions for Machine Learning [13.554038901140949]
  活性化関数(AF)は、関数の近似を可能にするニューラルネットワークに必要なコンポーネントである。 シフトおよびスケールされた単純なAFの和からなるトレーニング可能な化合物AF(TCA)を提案する。
  論文  参考訳（メタデータ） (2022-04-25T19:53:04Z)
• Neural net modeling of equilibria in NSTX-U [0.0]
  我々は平衡モデルと形状制御モデルに関連する2つのニューラルネットワークを開発する。 ネットワークにはEFIT01再構成アルゴリズムでトレーニングされた自由境界均衡解法であるEqnetと、Gspert符号でトレーニングされたPertnetが含まれる。 本報告では,これらのモデルが閉ループシミュレーションで確実に使用できることを示す。
  論文  参考訳（メタデータ） (2022-02-28T16:09:58Z)
• MD-inferred neural network monoclinic finite-strain hyperelasticity models for $\beta$-HMX: Sobolev training and validation against physical constraints [2.3816618027381438]
  我々は,モノクリニック有機分子結晶$beta$-HMXの異方性弾性応答を予測するためにニューラルネットワークを訓練し,検証した。 我々は、異なるソボレフ制約下でのニューラルネットワークのトレーニング効率を比較し、$beta$-HMXのMDベンチマークに対してモデルの正確性と堅牢性を評価する。
  論文  参考訳（メタデータ） (2021-11-29T23:38:31Z)
• Equivariant vector field network for many-body system modeling [65.22203086172019]
  Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。 シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
  論文  参考訳（メタデータ） (2021-10-26T14:26:25Z)
• 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)
• Conditionally Parameterized, Discretization-Aware Neural Networks for Mesh-Based Modeling of Physical Systems [0.0]
  入力パラメータのトレーニング可能な関数を用いて条件パラメトリゼーションの考え方を一般化する。 条件パラメータ化ネットワークは従来のネットワークに比べて優れた性能を示すことを示す。 CP-GNetと呼ばれるネットワークアーキテクチャも、メッシュ上のフローのスタンドアロン予測に反応可能な最初のディープラーニングモデルとして提案されている。
  論文  参考訳（メタデータ） (2021-09-15T20:21:13Z)
• 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)
• EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based Models [53.17320541056843]
  本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。 EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
  論文  参考訳（メタデータ） (2021-05-11T03:40:29Z)
• Learning to Solve the AC-OPF using Sensitivity-Informed Deep Neural Networks [52.32646357164739]
  最適な電力フロー(ACOPF)のソリューションを解決するために、ディープニューラルネットワーク(DNN)を提案します。 提案されたSIDNNは、幅広いOPFスキームと互換性がある。 他のLearning-to-OPFスキームとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-03-27T00:45:23Z)
• 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)

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。