論文の概要: A Data-Driven Approach to Full-Field Damage and Failure Pattern
Prediction in Microstructure-Dependent Composites using Deep Learning
- arxiv url: http://arxiv.org/abs/2104.04485v1
- Date: Fri, 9 Apr 2021 17:11:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-12 13:59:02.825575
- Title: A Data-Driven Approach to Full-Field Damage and Failure Pattern
Prediction in Microstructure-Dependent Composites using Deep Learning
- Title（参考訳）: 深層学習による組織依存複合材料のフルフィールド損傷と破壊パターン予測のためのデータ駆動アプローチ
- Authors: Reza Sepasdar, Anuj Karpatne, Maryam Shakiba
- Abstract要約: この作業は、そのような材料の高忠実度シミュレーションの複雑さと計算コストによって動機づけられます。
深層学習フレームワークは, 損傷後の応力分布と亀裂パターンを予測する。
提案手法は, 複合材料が損傷後の全応力分布と故障パターンを効果的に予測できることを示す。
- 参考スコア（独自算出の注目度）: 2.4309139330334846
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An image-based deep learning framework is developed in this paper to predict
damage and failure in microstructure-dependent composite materials. The work is
motivated by the complexity and computational cost of high-fidelity simulations
of such materials. The proposed deep learning framework predicts the
post-failure full-field stress distribution and crack pattern in
two-dimensional representations of the composites based on the geometry of
microstructures. The material of interest is selected to be a high-performance
unidirectional carbon fiber-reinforced polymer composite. The deep learning
framework contains two stacked fully-convolutional networks, namely, Generator
1 and Generator 2, trained sequentially. First, Generator 1 learns to translate
the microstructural geometry to the full-field post-failure stress
distribution. Then, Generator 2 learns to translate the output of Generator 1
to the failure pattern. A physics-informed loss function is also designed and
incorporated to further improve the performance of the proposed framework and
facilitate the validation process. In order to provide a sufficiently large
data set for training and validating the deep learning framework, 4500
microstructural representations are synthetically generated and simulated in an
efficient finite element framework. It is shown that the proposed deep learning
approach can effectively predict the composites' post-failure full-field stress
distribution and failure pattern, two of the most complex phenomena to simulate
in computational solid mechanics.
- Abstract（参考訳）: 本稿では, 組織依存複合材料の損傷と破壊を予測するため, 画像ベースのディープラーニングフレームワークを開発した。
この研究は、そのような材料の高忠実度シミュレーションの複雑さと計算コストに動機づけられている。
提案する深層学習フレームワークは, 組織形状に基づく複合材の二次元表現における破壊後の全応力分布とひび割れパターンを予測する。
関心材料は、高性能な一方向炭素繊維強化ポリマー複合材料として選択される。
ディープラーニングフレームワークには、2つのスタックされた完全な畳み込みネットワーク、すなわちGenerator 1とGenerator 2が含まれている。
まず、ジェネレータ1は、ミクロ構造図をフルフィールド後応力分布に変換することを学習する。
そして、ジェネレータ2は、ジェネレータ1の出力を障害パターンに変換することを学習する。
物理インフォームド・ロス関数も設計・組み込まれ,提案フレームワークの性能向上と検証プロセスの促進が図られている。
ディープラーニングフレームワークを訓練し、検証するための十分大きなデータセットを提供するため、効率的な有限要素フレームワークで4500の微細構造表現を合成してシミュレーションする。
提案手法は, 計算ソリッド・メカニクスにおいてシミュレーションする最も複雑な現象の2つである, 破壊後の全応力分布と故障パターンを効果的に予測できることを示す。
関連論文リスト
- Defining Neural Network Architecture through Polytope Structures of Dataset [53.512432492636236]
本稿では, ニューラルネットワーク幅の上下境界を定義し, 問題となるデータセットのポリトープ構造から情報を得る。
本研究では,データセットのポリトープ構造を学習したニューラルネットワークから推定できる逆条件を探索するアルゴリズムを開発した。
MNIST、Fashion-MNIST、CIFAR10といった一般的なデータセットは、顔の少ない2つ以上のポリトップを用いて効率的にカプセル化できることが確立されている。
論文 参考訳（メタデータ） (2024-02-04T08:57:42Z) - Crack-Net: Prediction of Crack Propagation in Composites [8.284066773981262]
クラックネット(Crack-Net)は, ひび割れ進展と応力応答の関係を組み込んで, 複合材料における破壊過程を予測するフレームワークである。
クラックネットは, 所定の複合設計におけるひび割れ成長パターンと応力-ひずみ曲線の長期的変化を正確に予測する優れた能力を示す。
論文 参考訳（メタデータ） (2023-09-24T12:57:35Z) - Str2Str: A Score-based Framework for Zero-shot Protein Conformation
Sampling [23.74897713386661]
タンパク質の動的性質は、その生物学的機能や性質を決定するために重要である。
既存の学習ベースのアプローチでは、直接サンプリングを行うが、トレーニングにはターゲット固有のシミュレーションデータに大きく依存する。
ゼロショットコンフォーメーションサンプリングが可能な新しい構造間翻訳フレームワークStr2Strを提案する。
論文 参考訳（メタデータ） (2023-06-05T15:19:06Z) - Transformer-based Context Condensation for Boosting Feature Pyramids in
Object Detection [77.50110439560152]
現在の物体検出器は、通常マルチレベル特徴融合(MFF)のための特徴ピラミッド(FP)モジュールを持つ。
我々は,既存のFPがより優れたMFF結果を提供するのに役立つ,新しい,効率的なコンテキストモデリング機構を提案する。
特に,包括的文脈を2種類の表現に分解・凝縮して高効率化を図っている。
論文 参考訳（メタデータ） (2022-07-14T01:45:03Z) - Contextual Model Aggregation for Fast and Robust Federated Learning in
Edge Computing [88.76112371510999]
フェデレーション学習は、ネットワークエッジにおける分散機械学習の第一候補である。
既存のアルゴリズムは、性能の緩やかな収束や堅牢性の問題に直面している。
そこで本稿では,損失低減に対する最適コンテキスト依存境界を実現するためのコンテキストアグリゲーション手法を提案する。
論文 参考訳（メタデータ） (2022-03-23T21:42:31Z) - CSformer: Bridging Convolution and Transformer for Compressive Sensing [65.22377493627687]
本稿では,CNNからの詳細な空間情報を活用するためのハイブリッドフレームワークと,表現学習の強化を目的としたトランスフォーマーが提供するグローバルコンテキストを統合することを提案する。
提案手法は、適応的なサンプリングとリカバリからなるエンドツーエンドの圧縮画像センシング手法である。
実験により, 圧縮センシングにおける専用トランスアーキテクチャの有効性が示された。
論文 参考訳（メタデータ） (2021-12-31T04:37:11Z) - An even-load-distribution design for composite bolted joints using a
novel circuit model and artificial neural networks [1.8472148461613158]
最適化手法として機械学習に基づくフレームワークを提案する。
人工ネットワークのトレーニングのためのデータサンプルを生成するための新しい回路モデルが確立された。
設計空間におけるすべての入力のデータベースは、機械学習モデルを通じて構築される。
論文 参考訳（メタデータ） (2021-05-15T10:10:47Z) - MOGAN: Morphologic-structure-aware Generative Learning from a Single
Image [59.59698650663925]
近年,1つの画像のみに基づく生成モデルによる完全学習が提案されている。
多様な外観のランダムなサンプルを生成するMOGANというMOrphologic-structure-aware Generative Adversarial Networkを紹介します。
合理的な構造の維持や外観の変化など、内部機能に重点を置いています。
論文 参考訳（メタデータ） (2021-03-04T12:45:23Z) - Neural Network Gaussian Process Considering Input Uncertainty for
Composite Structures Assembly [13.330270644806307]
本稿では,複合構造集合の入力不確実性を考慮したニューラルネットワークガウス過程モデルを提案する。
NNGPIUは、応答関数が非滑らかで非線形である場合、他のベンチマーク手法よりも優れている。
複合構造アセンブリを例に挙げるが, 本手法は本質的な不確実性を持つ他の工学系にも適用可能である。
論文 参考訳（メタデータ） (2020-11-21T20:21:28Z) - 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) - 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。