論文の概要: An efficient optimization based microstructure reconstruction approach
with multiple loss functions
- arxiv url: http://arxiv.org/abs/2102.02407v1
- Date: Thu, 4 Feb 2021 04:33:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-05 16:04:09.339792
- Title: An efficient optimization based microstructure reconstruction approach
with multiple loss functions
- Title（参考訳）: 複数損失関数を用いた効率的な最適化に基づく微細構造再構築手法
- Authors: Anindya Bhaduri, Ashwini Gupta, Audrey Olivier, Lori Graham-Brady
- Abstract要約: マイクロ構造再構成には、(一連の)ターゲットのマイクロ構造の重要な統計と特性に一致する、デジタル化されたマイクロ構造の生成が含まれる
本稿では,事前学習した深層ニューラルネットワークの統計記述子と特徴マップを,最適化に基づく再構築手順のための全体的な損失関数に統合する。
二相ランダム多孔質材料の微細構造再構成の数値的な例は、提案手法の効率性を示している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Stochastic microstructure reconstruction involves digital generation of
microstructures that match key statistics and characteristics of a (set of)
target microstructure(s). This process enables computational analyses on
ensembles of microstructures without having to perform exhaustive and costly
experimental characterizations. Statistical functions-based and deep
learning-based methods are among the stochastic microstructure reconstruction
approaches applicable to a wide range of material systems. In this paper, we
integrate statistical descriptors as well as feature maps from a pre-trained
deep neural network into an overall loss function for an optimization based
reconstruction procedure. This helps us to achieve significant computational
efficiency in reconstructing microstructures that retain the critically
important physical properties of the target microstructure. A numerical example
for the microstructure reconstruction of bi-phase random porous ceramic
material demonstrates the efficiency of the proposed methodology. We further
perform a detailed finite element analysis (FEA) of the reconstructed
microstructures to calculate effective elastic modulus, effective thermal
conductivity and effective hydraulic conductivity, in order to analyse the
algorithm's capacity to capture the variability of these material properties
with respect to those of the target microstructure. This method provides an
economic, efficient and easy-to-use approach for reconstructing random
multiphase materials in 2D which has the potential to be extended to 3D
structures.
- Abstract（参考訳）: 確率的ミクロ構造再構築は、(一連の)ターゲットミクロ構造の重要な統計と特性に一致するミクロ構造のデジタル生成を含む。
このプロセスは、網羅的でコストのかかる実験的な特性を行うことなく、マイクロ構造のアンサンブルに関する計算解析を可能にする。
統計関数に基づく深層学習に基づく手法は,幅広い材料システムに適用可能な確率的微細構造再構築手法の一つである。
本稿では,事前に訓練した深層ニューラルネットワークの統計ディスクリプタと特徴マップを全体的損失関数に統合し,最適化に基づく再構成手法を提案する。
これにより, ターゲット組織の重要な物理特性を保ちながら, 組織を再構築する計算効率が向上した。
二相ランダム多孔質セラミックス材料の微細構造再構築の数値例は、提案された方法論の効率を示す。
さらに, 対象のミクロ構造に対して, 材料特性のばらつきを捉えるアルゴリズムの容量を解析するために, 有効弾性率, 有効熱伝導率, 有効油圧伝導率を計算するために, 再構成されたミクロ構造の詳細な有限要素解析(FEA)を行う。
この方法は,3次元構造に拡張される可能性を持つランダム多相材料を2次元で再構成するための,経済的,効率的で使いやすい手法を提供する。
関連論文リスト
- Consistent machine learning for topology optimization with microstructure-dependent neural network material models [0.0]
空間的に異なるミクロ構造対称性と異なる異なるマイクロ構造記述子を持つマルチスケール構造のためのフレームワークを提案する。
本研究は,密度に基づく設計最適化と整合性の統合の可能性を明らかにする。
論文 参考訳（メタデータ） (2024-08-25T14:17:43Z) - Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。
この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。
提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
論文 参考訳（メタデータ） (2024-07-26T10:29:16Z) - 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) - Three-dimensional microstructure generation using generative adversarial
neural networks in the context of continuum micromechanics [77.34726150561087]
本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。
軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
論文 参考訳（メタデータ） (2022-05-31T13:26:51Z) - A multi-task learning-based optimization approach for finding diverse
sets of material microstructures with desired properties and its application
to texture optimization [1.6311150636417262]
本稿では,材料テクスチャ最適化のためのマルチタスク学習手法を提案する。
このアプローチは、マルチタスク学習とシアムネットワークを組み合わせた機械学習モデルと相互作用する最適化アルゴリズムで構成されている。
論文 参考訳（メタデータ） (2021-10-27T08:25:26Z) - 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) - 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) - Structured Convolutions for Efficient Neural Network Design [65.36569572213027]
畳み込みニューラルネットワーク構築ブロックのテクスト単純構造における冗長性を利用してモデル効率に取り組む。
この分解が2Dカーネルや3Dカーネルだけでなく、完全に接続されたレイヤにも適用可能であることを示す。
論文 参考訳（メタデータ） (2020-08-06T04:38:38Z)
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。