論文の概要: Data-Driven Multiscale Design of Cellular Composites with Multiclass
Microstructures for Natural Frequency Maximization
- arxiv url: http://arxiv.org/abs/2106.06478v1
- Date: Fri, 11 Jun 2021 15:59:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-14 14:23:18.180410
- Title: Data-Driven Multiscale Design of Cellular Composites with Multiclass
Microstructures for Natural Frequency Maximization
- Title（参考訳）: 自然周波数最大化のための多層構造を有するセル複合材料のデータ駆動型マルチスケール設計
- Authors: Liwei Wang, Anton van Beek, Daicong Da, Yu-Chin Chan, Ping Zhu, Wei
Chen
- Abstract要約: 本稿では,データ駆動型トポロジ最適化(TO)手法を提案する。
このフレームワークは、熱コンプライアンスや動的応答最適化など、他のマルチスケールTO問題にも容易に拡張できる。
- 参考スコア（独自算出の注目度）: 14.337297795182181
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: For natural frequency optimization of engineering structures, cellular
composites have been shown to possess an edge over solid. However, existing
multiscale design methods for cellular composites are either computationally
exhaustive or confined to a single class of microstructures. In this paper, we
propose a data-driven topology optimization (TO) approach to enable the
multiscale design of cellular structures with various choices of microstructure
classes. The key component is a newly proposed latent-variable Gaussian process
(LVGP) model through which different classes of microstructures are mapped into
a low-dimensional continuous latent space. It provides an interpretable
distance metric between classes and captures their effects on the homogenized
stiffness tensors. By introducing latent vectors as design variables, a
differentiable transition of stiffness matrix between classes can be easily
achieved with an analytical gradient. After integrating LVGP with the
density-based TO, an efficient data-driven cellular composite optimization
process is developed to enable concurrent exploration of microstructure
concepts and the associated volume fractions for natural frequency
optimization. Examples reveal that the proposed cellular designs with
multiclass microstructures achieve higher natural frequencies than both
single-scale and single-class designs. This framework can be easily extended to
other multi-scale TO problems, such as thermal compliance and dynamic response
optimization.
- Abstract（参考訳）: 工学構造の自然な周波数最適化のために、セル複合材料は固体上のエッジを持つことが示されている。
しかし、既存の細胞複合材料のマルチスケール設計手法は計算的に徹底的であるか、単一の構造に制限されている。
本稿では,種々の構造クラスを選択できるマルチスケール設計を実現するためのデータ駆動トポロジー最適化(to)手法を提案する。
鍵となる構成要素は、新しい潜在変数ガウス過程 (LVGP) モデルであり、そこでは様々なマイクロ構造のクラスを低次元連続ラテント空間にマッピングする。
クラス間の解釈可能な距離計量を提供し、同質化剛性テンソルに対するそれらの効果を捉える。
設計変数として潜在ベクトルを導入することにより、クラス間の剛性行列の微分可能遷移は解析的勾配で容易に達成できる。
LVGPを密度ベースTOと統合した後、効率的なデータ駆動型細胞複合最適化プロセスを開発し、自然周波数最適化のための微細構造概念と関連する体積分画の同時探索を可能にした。
例えば、多層構造を持つセル設計は、シングルスケールとシングルクラス設計の両方よりも高い自然周波数が得られる。
このフレームワークは、熱コンプライアンスや動的応答最適化など、他のマルチスケールTO問題にも容易に拡張できる。
関連論文リスト
- Structure Language Models for Protein Conformation Generation [66.42864253026053]
伝統的な物理学に基づくシミュレーション手法は、しばしばサンプリング平衡整合に苦しむ。
深い生成モデルは、より効率的な代替としてタンパク質のコンホメーションを生成することを約束している。
本稿では,効率的なタンパク質コンホメーション生成のための新しいフレームワークとして構造言語モデリングを紹介する。
論文 参考訳（メタデータ） (2024-10-24T03:38:51Z) - DPLM-2: A Multimodal Diffusion Protein Language Model [75.98083311705182]
DPLM-2は, 離散拡散タンパク質言語モデル(DPLM)を拡張し, 配列と構造の両方に適合する多モーダルタンパク質基盤モデルである。
DPLM-2は、配列と構造、およびその限界と条件の結合分布を学習する。
実験によりDPLM-2は高度に互換性のあるアミノ酸配列とそれに対応する3D構造を同時に生成できることが示された。
論文 参考訳（メタデータ） (2024-10-17T17:20:24Z) - 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) - Multi-scale Topology Optimization using Neural Networks [2.8154992696398784]
長年の課題は、細胞間の良好な接続性を備えたマルチスケール構造を設計することである。
ニューラルネットワークを用いた直接マルチスケールトポロジ最適化手法を提案する。
論文 参考訳（メタデータ） (2024-04-11T18:00:22Z) - A Pareto-optimal compositional energy-based model for sampling and
optimization of protein sequences [55.25331349436895]
深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。
これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
論文 参考訳（メタデータ） (2022-10-19T19:04:45Z) - Remixing Functionally Graded Structures: Data-Driven Topology
Optimization with Multiclass Shape Blending [15.558093285161775]
本稿では,多クラス関数型構造のためのデータ駆動型フレームワークを提案する。
鍵となるのは、滑らかにグレードされたマイクロ構造を生成する新しいマルチクラス形状ブレンディング方式である。
マイクロスケールの問題を、設計を事前に定義された形状に詰め込むことなく、効率的で低次元のものに変換する。
論文 参考訳（メタデータ） (2021-12-01T16:54:56Z) - How to See Hidden Patterns in Metamaterials with Interpretable Machine
Learning [82.67551367327634]
我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。
具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
論文 参考訳（メタデータ） (2021-11-10T21:19:02Z) - 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) - Optimization-Inspired Learning with Architecture Augmentations and
Control Mechanisms for Low-Level Vision [74.9260745577362]
本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。
フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。
低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
論文 参考訳（メタデータ） (2020-12-10T03:24:53Z) - Deep Generative Modeling for Mechanistic-based Learning and Design of
Metamaterial Systems [20.659457956055366]
深部生成モデルに基づく新しいデータ駆動メタマテリアル設計フレームワークを提案する。
本研究では,VAEの潜伏空間が,形状類似度を測定するための距離メートル法を提供することを示す。
機能的グレードとヘテロジニアスなメタマテリアルシステムの両方を設計することで、我々のフレームワークを実証する。
論文 参考訳（メタデータ） (2020-06-27T03:56:55Z) - Data-Driven Topology Optimization with Multiclass Microstructures using
Latent Variable Gaussian Process [18.17435834037483]
メタマテリアルの微細構造ライブラリーのための多応答潜在変数ガウス過程 (LVGP) モデルを開発した。
MR-LVGPモデルでは、混合変数の応答に対する集合的影響に基づいて、混合変数を連続的な設計空間に埋め込む。
マイクロ構造, マクロ構造に対する一貫した負荷伝達経路により, マルチクラスのマイクロ構造を考えることで, 性能の向上が期待できることを示す。
論文 参考訳（メタデータ） (2020-06-27T03:55:52Z)
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。