論文の概要: An even-load-distribution design for composite bolted joints using a
novel circuit model and artificial neural networks
- arxiv url: http://arxiv.org/abs/2105.07194v1
- Date: Sat, 15 May 2021 10:10:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-19 10:03:05.114824
- Title: An even-load-distribution design for composite bolted joints using a
novel circuit model and artificial neural networks
- Title(参考訳): 新しい回路モデルと人工ニューラルネットワークを用いた複合ボルト継手の均等負荷分配設計
- Authors: Cheng Qiu, Yuzi Han, Logesh Shanmugam, Fengyang Jiang, Zhidong Guan,
Shanyi Du, Jinglei Yang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 1.8472148461613158
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Due to the brittle feature of carbon fiber reinforced plastic laminates,
mechanical multi-joint within these composite components show uneven load
distribution for each bolt, which weaken the strength advantage of composite
laminates. In order to reduce this defect and achieve the goal of even load
distribution in mechanical joints, we propose a machine learning-based
framework as an optimization method. Since that the friction effect has been
proven to be a significant factor in determining bolt load distribution, our
framework aims at providing optimal parameters including bolt-hole clearances
and tightening torques for a minimum unevenness of bolt load. A novel circuit
model is established to generate data samples for the training of artificial
networks at a relatively low computational cost. A database for all the
possible inputs in the design space is built through the machine learning
model. The optimal dataset of clearances and torques provided by the database
is validated by both the finite element method, circuit model, and an
experimental measurement based on the linear superposition principle, which
shows the effectiveness of this general framework for the optimization problem.
Then, our machine learning model is further compared and worked in
collaboration with commonly used optimization algorithms, which shows the
potential of greatly increasing computational efficiency for the inverse design
problem.
- Abstract(参考訳): 炭素繊維強化プラスチック積層板の脆性のため, これらの複合材料中のメカニカル多関節は各ボルトに不均一な荷重分布を示し, 複合積層板の強度優位性を弱めている。
この欠陥を低減し,機械的関節における荷重分布の目標を達成するために,機械学習に基づくフレームワークを最適化手法として提案する。
摩擦効果がボルト荷重分布の決定に重要な要因であることが証明されたので,本フレームワークは,ボルト荷重の最小不均一性に対するボルトホールクリアランスや締め付けトルクなどの最適パラメータの提供を目的としている。
比較的低コストで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に,新しい回路モデルを構築した。
設計空間におけるすべての入力が可能なデータベースは、機械学習モデルによって構築される。
データベースが提供するクリアランスとトルクの最適なデータセットは、有限要素法、回路モデル、および線形重ね合わせ原理に基づく実験測定の両方によって検証され、この最適化問題に対する一般的な枠組みの有効性を示す。
そして, 機械学習モデルをさらに比較し, 一般的な最適化アルゴリズムとの協調により, 逆設計問題に対する計算効率が大幅に向上する可能性を示す。
関連論文リスト
- Physics-Informed Machine Learning for Seismic Response Prediction OF
Nonlinear Steel Moment Resisting Frame Structures [6.483318568088176]
PiML法は、非線形構造の地震応答をモデル化するためのディープニューラルネットワークに科学的原理と物理法則を取り入れている。
モデル順序の低減は、固有冗長性を持つ構造系の処理とモデル効率の向上に不可欠である。
運動方程式は系の非線形性を学ぶために操作され、物理的に解釈可能な結果の中で解空間を閉じる。
論文 参考訳(メタデータ) (2024-02-28T02:16:03Z) - Aligning Optimization Trajectories with Diffusion Models for Constrained
Design Generation [17.164961143132473]
本稿では,拡散モデルのサンプリング軌跡と従来の物理法に基づく最適化軌跡との整合性を示す学習フレームワークを提案する。
提案手法では,高コストプリプロセッシングや外部サロゲートモデル,ラベル付きデータの追加を必要とせずに,実用的で高性能な設計を2段階で生成することができる。
この結果から, TAは分布内構成における最先端の深層生成モデルより優れ, 推論計算コストを半減することがわかった。
論文 参考訳(メタデータ) (2023-05-29T09:16:07Z) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳(メタデータ) (2023-05-25T10:58:46Z) - Self-learning locally-optimal hypertuning using maximum entropy, and
comparison of machine learning approaches for estimating fatigue life in
composite materials [0.0]
疲労損傷を予測するための最大エントロピーの原理に基づくML近傍近似アルゴリズムを開発した。
予測は、他のMLアルゴリズムと同様、高いレベルの精度を達成する。
論文 参考訳(メタデータ) (2022-10-19T12:20:07Z) - 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) - Machine Learning Framework for Quantum Sampling of Highly-Constrained,
Continuous Optimization Problems [101.18253437732933]
本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。
本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
論文 参考訳(メタデータ) (2021-05-06T02:22:23Z) - Fitting the Search Space of Weight-sharing NAS with Graph Convolutional
Networks [100.14670789581811]
サンプルサブネットワークの性能に適合するグラフ畳み込みネットワークを訓練する。
この戦略により、選択された候補集合において、より高いランク相関係数が得られる。
論文 参考訳(メタデータ) (2020-04-17T19:12:39Z) - Understanding the Effects of Data Parallelism and Sparsity on Neural
Network Training [126.49572353148262]
ニューラルネットワークトレーニングにおける2つの要因として,データ並列性と疎性について検討する。
有望なメリットにもかかわらず、ニューラルネットワークトレーニングに対する彼らの影響を理解することは、依然として明白である。
論文 参考訳(メタデータ) (2020-03-25T10:49:22Z) - Structured Sparsification with Joint Optimization of Group Convolution
and Channel Shuffle [117.95823660228537]
本稿では,効率的なネットワーク圧縮のための新しい構造空間分割法を提案する。
提案手法は, 畳み込み重みに対する構造的疎度を自動的に誘導する。
また,学習可能なチャネルシャッフル機構によるグループ間通信の問題にも対処する。
論文 参考訳(メタデータ) (2020-02-19T12:03:10Z)
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。