論文の概要: Point Cloud Failure Criterion for Composites using k-Nearest Neighbor
Classification
- arxiv url: http://arxiv.org/abs/2106.02714v1
- Date: Fri, 4 Jun 2021 20:49:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-08 17:56:42.509068
- Title: Point Cloud Failure Criterion for Composites using k-Nearest Neighbor
Classification
- Title(参考訳): k-nearest近傍分類を用いた複合材料の点雲障害基準
- Authors: Subramaniam Rajan, Bilal Khaled, and Loukham Shyamsunder
- Abstract要約: 本稿では, 故障表面データの点雲を用いて, 有限要素解析中にクエリ可能な故障表面データの点雲を生成する方法を示す。
一方向合成を用いた線形で弾性的で静的な有限要素の例は、フレームワークを効果的に、効率的に生成し、使用することができることを示している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Numerous theories of failure have been postulated and implemented in various
commercial programs for composite materials. Even the best theories have had
limited success in predicting damage and failure in validation exercises. In
view of this background, many researchers have started exploring the use of
multiscale modeling to improve the fidelity of the modeling and simulation of
various structural and materials systems. In this paper, a multi-scale modeling
scheme is used to illustrate how a combination of virtual and laboratory
testing programs can be used to generate a point cloud of failure surface data
that can then be queried during finite element analysis at the continuum scale
to ascertain if the onset of failure has occurred. The k-nearest neighbor
(k-NN) classification concept is used to obtain the answer to the query. A
linear, elastic, static finite element example using a unidirectional composite
shows that the framework can be generated and used effectively and efficiently
with the possibility to extend the approach for all types of composite
architectures and behaviors.
- Abstract(参考訳): 複合材料に関する様々な商業プログラムにおいて, 故障に関する多くの理論が仮定され, 実装されている。
最良の理論でさえも、検証演習の損傷と失敗を予測することには限界があった。
この背景から、多くの研究者が様々な構造・材料システムのモデリングとシミュレーションの忠実性を改善するためにマルチスケールモデリングの利用を模索している。
本稿では,連続体スケールにおける有限要素解析中に問合せ可能な故障表面データの点クラウドを生成するために,仮想的および実験室的テストプログラムの組み合わせをどのように利用するかを説明するために,マルチスケール・モデリング・スキームを用いた。
k-nearest neighbor (k-nn) という分類概念は、クエリに対する答えを得るために用いられる。
一方向コンポジットを用いた線形、弾性、静的な有限要素の例では、フレームワークを効果的かつ効率的に生成、使用することができ、あらゆるタイプの複合アーキテクチャと振舞いのアプローチを拡張することができる。
関連論文リスト
- Pushing Boundaries: Mixup's Influence on Neural Collapse [3.6919724596215615]
Mixupは、深層ニューラルネットワークの堅牢性とキャリブレーションを強化するために、トレーニングインスタンスと各ラベルの凸結合を利用するデータ拡張戦略である。
本研究では,ミックスアップを受ける深層ネットワークにおけるトレーニングデータの最終層活性化について検討した。
ここでは,Mixupの最終層活性化が,期待と異なる独特の構成に主に収束していることを示す。
論文 参考訳(メタデータ) (2024-02-09T04:01:25Z) - Scalable Diffusion for Materials Generation [99.71001883652211]
我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。
UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。
材料の生成モデルを評価するための追加指標を提案する。
論文 参考訳(メタデータ) (2023-10-18T15:49:39Z) - On the Embedding Collapse when Scaling up Recommendation Models [53.66285358088788]
埋め込み崩壊現象をスケーラビリティの阻害とみなし、埋め込み行列は低次元の部分空間を占有する傾向にある。
本稿では,組込み集合固有の相互作用モジュールを組み込んで,多様性を持つ組込み集合を学習する,単純かつ効果的な組込み設計を提案する。
論文 参考訳(メタデータ) (2023-10-06T17:50:38Z) - Conditional deep generative models as surrogates for spatial field
solution reconstruction with quantified uncertainty in Structural Health
Monitoring applications [0.0]
構造健康モニタリング(SHM)に関わる問題では,高次元データの処理と不確実性の定量化の両方が可能なモデルが必要である。
本稿では,そのような応用と高次元構造シミュレーションを主目的とした条件付き深部生成モデルを提案する。
このモデルは、参照有限要素(FE)ソリューションと比較して高い再構成精度を達成でき、同時に負荷不確実性を符号化することに成功した。
論文 参考訳(メタデータ) (2023-02-14T20:13:24Z) - Application of Clustering Algorithms for Dimensionality Reduction in
Infrastructure Resilience Prediction Models [4.350783459690612]
本稿では,高次元の問題を同時に最小化し,機械学習モデルの予測精度を向上させるクラスタリング手法を提案する。
提案手法は,インフラストラクチャネットワークの障害後復旧のための意思決定支援ツールの開発に利用できる。
論文 参考訳(メタデータ) (2022-05-06T15:51:05Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳(メタデータ) (2021-12-15T20:09:20Z) - ConE: Cone Embeddings for Multi-Hop Reasoning over Knowledge Graphs [73.86041481470261]
Cone Embeddings (ConE) は、接続、解離、否定を扱える最初の幾何学ベースのクエリ埋め込みモデルである。
ConEは、ベンチマークデータセットの既存の最先端メソッドを大幅に上回る。
論文 参考訳(メタデータ) (2021-10-26T14:04:02Z) - Partial Counterfactual Identification from Observational and
Experimental Data [83.798237968683]
観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。
我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
論文 参考訳(メタデータ) (2021-10-12T02:21:30Z) - A general framework for modeling and dynamic simulation of multibody
systems using factor graphs [0.8701566919381223]
本稿では,多体系の運動学的および動的問題を解くために,因子グラフ理論に基づく新しい汎用フレームワークを提案する。
独立座標と依存座標の両方を用いて多体系をモデル化・シミュレートするための因子グラフの構築方法について述べる。
提案されたフレームワークは広範なシミュレーションでテストされ、商用のマルチボディソフトウェアに対して検証されている。
論文 参考訳(メタデータ) (2021-01-08T06:45:45Z) - Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。
本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。
次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文 参考訳(メタデータ) (2020-10-25T18:51:15Z) - Amortized Bayesian Inference for Models of Cognition [0.1529342790344802]
専門的なニューラルネットワークアーキテクチャを用いたシミュレーションベース推論の最近の進歩は、ベイズ近似計算の多くの過去の問題を回避している。
本稿では,アモータイズされたベイズパラメータの推定とモデル比較について概説する。
論文 参考訳(メタデータ) (2020-05-08T08:12:15Z)
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。