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
- Neural Metamaterial Networks for Nonlinear Material Design [29.65492571110993]
メタマテリアルネットワーク - メタマテリアルファミリー全体の非線形力学を符号化する神経表現を提案する。
本手法は, 所望のひずみ応力曲線, 所定の方向剛性, ポアソン比プロファイルを有する材料を自動設計する。
論文 参考訳(メタデータ) (2023-09-15T13:50:43Z) - A Neural Network Transformer Model for Composite Microstructure Homogenization [1.2277343096128712]
森田中法のような均質化法は、幅広い構成特性に対して急速な均質化をもたらす。
本稿では,様々なミクロ構造の知識を捉えた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。
ネットワークは、履歴に依存し、非線形で、均質化されたストレス-ひずみ応答を予測する。
論文 参考訳(メタデータ) (2023-04-16T19:57:52Z) - A micromechanics-based recurrent neural networks model for
path-dependent cyclic deformation of short fiber composites [0.0]
本研究では, 短繊維強化複合材料の経路依存性弾塑性応力応答を予測するために, 繰り返し深部ニューラルネットワークモデルを訓練する。
このモデルは、独立したマイクロメカニカルシミュレーションと比較した場合、計算的に非常に正確な予測を与える。
論文 参考訳(メタデータ) (2022-09-27T12:14:15Z) - 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) - 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) - 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) - Predicting Mechanical Properties from Microstructure Images in
Fiber-reinforced Polymers using Convolutional Neural Networks [8.023452876968694]
本稿では,繊維強化ポリマー試料の2次元分割トモグラフィ画像の応力場予測のために,ScressNetから修正した完全畳み込みニューラルネットワークについて検討する。
トレーニングされたモデルは、通常のラップトップ上で1回のフォワードパスで数秒以内に予測を行うことができ、ハイパフォーマンスなコンピューティングクラスタ上で完全な有限要素シミュレーションを実行するのに92.5時間かかる。
論文 参考訳(メタデータ) (2020-10-07T22:15:48Z) - Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。
数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。
我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
論文 参考訳(メタデータ) (2020-06-02T23:38:35Z) - Flexible Transmitter Network [84.90891046882213]
現在のニューラルネットワークはMPモデルに基づいて構築されており、通常はニューロンを他のニューロンから受信した信号の実際の重み付け集約上での活性化関数の実行として定式化する。
本稿では,フレキシブル・トランスミッタ(FT)モデルを提案する。
本稿では、最も一般的な完全接続型フィードフォワードアーキテクチャ上に構築された、フレキシブルトランスミッタネットワーク(FTNet)について述べる。
論文 参考訳(メタデータ) (2020-04-08T06:55:12Z)
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。