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

• PearSAN: A Machine Learning Method for Inverse Design using Pearson Correlated Surrogate Annealing [66.27103948750306]
  PearSANは、大きな設計空間を持つ逆設計問題に適用可能な機械学習支援最適化アルゴリズムである。 ピアソン相関代理モデルを用いて、真の設計計量のメリットの図形を予測する。 最先端の最大設計効率は97%で、少なくとも以前の方法よりも桁違いに高速である。
  論文  参考訳（メタデータ） (2024-12-26T17:02:19Z)
• Towards Precision in Bolted Joint Design: A Preliminary Machine Learning-Based Parameter Prediction [0.0]
  ボルト接合部は、構造的整合性と信頼性を維持するために工学的に重要である。 従来の方法では、ボルト付きジョイントの非線形挙動を捉えることができないことが多い。 本研究では、負荷容量と摩擦係数を予測するために、経験的データとフィードフォワードニューラルネットワークを組み合わせる。
  論文  参考訳（メタデータ） (2024-12-11T11:00:39Z)
• Federated Split Learning with Model Pruning and Gradient Quantization in Wireless Networks [7.439160287320074]
  Federated split learning (FedSL)は、モデル分割によるエッジデバイスとサーバ間の協調トレーニングを実装している。 本稿では,リソース制約のあるエッジデバイスのトレーニング負担を軽減する軽量なFedSL方式を提案する。 提案手法の収束性能を定量化するために理論的解析を行う。
  論文  参考訳（メタデータ） (2024-12-09T11:43:03Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• 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)

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。