論文の概要: Predicting Mechanically Driven Full-Field Quantities of Interest with Deep Learning-Based Metamodels

• arxiv url: http://arxiv.org/abs/2108.03995v1
• Date: Sat, 24 Jul 2021 00:43:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-15 15:26:57.414439
• Title: Predicting Mechanically Driven Full-Field Quantities of Interest with Deep Learning-Based Metamodels
• Title（参考訳）: 深層学習に基づくメタモデルによる機械駆動フルフィールド量の予測
• Authors: S. Mohammadzadeh and E. Lejeune
• Abstract要約: メカニカルMNISTデータセットを拡張して,全フィールドQoI予測の検証を可能にする。 マルチRes-WNetアーキテクチャを用いたフルフィールドQoI予測のための強力なベースライン性能を確立する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Using simulation to predict the mechanical behavior of heterogeneous materials has applications ranging from topology optimization to multi-scale structural analysis. However, full-fidelity simulation techniques such as Finite Element Analysis can be prohibitively computationally expensive when they are used to explore the massive input parameter space of heterogeneous materials. Therefore, there has been significant recent interest in machine learning-based models that, once trained, can predict mechanical behavior at a fraction of the computational cost. Over the past several years, research in this area has been focused mainly on predicting single Quantities of Interest (QoIs). However, there has recently been an increased interest in a more challenging problem: predicting full-field QoI (e.g., displacement/strain fields, damage fields) for mechanical problems. Due to the added complexity of full-field information, network architectures that perform well on single QoI problems may perform poorly in the full-field QoI problem setting. The work presented in this paper is twofold. First, we made a significant extension to the Mechanical MNIST dataset designed to enable the investigation of full field QoI prediction. Specifically, we added Finite Element simulation results of quasi-static brittle fracture in a heterogeneous material captured with the phase-field method. Second, we established strong baseline performance for predicting full-field QoI with MultiRes-WNet architecture. In addition to presenting the results in this paper, we have released our model implementation and the Mechanical MNIST Crack Path dataset under open-source licenses. We anticipate that future researchers will directly use our model architecture on related datasets and potentially design models that exceed the baseline performance for predicting full-field QoI established in this paper.
• Abstract（参考訳）: 不均質材料の力学挙動の予測にシミュレーションを用いることで、トポロジー最適化からマルチスケール構造解析まで応用できる。 しかし、有限要素解析のような完全忠実度シミュレーション技術は、不均質材料の大規模な入力パラメータ空間を探索するために用いられる場合、計算コストが禁じられる。 そのため、機械学習に基づくモデルに大きな関心が寄せられ、一度訓練すれば計算コストのごく一部で機械的挙動を予測できる。 過去数年間、この分野の研究は主に1つの興味の量(QoIs)の予測に焦点を当ててきた。 しかし近年,機械的問題に対する完全体QoI(変位・ひずみ場,損傷場など)の予測という,より困難な問題への関心が高まっている。 フルフィールド情報の追加により、単一QoI問題でよく機能するネットワークアーキテクチャは、フルフィールドQoI問題設定では性能が悪くなる可能性がある。 この論文で示された仕事は2つある。 まず,全フィールドQoI予測の検証を可能にするために,MNISTデータセットの大幅な拡張を行った。 具体的には, 位相場法による異種材料中の準静的脆性破壊の有限要素シミュレーション結果を加えた。 第2に,MultiRes-WNetアーキテクチャを用いたフルフィールドQoI予測のための強力なベースライン性能を確立した。 本論文で得られた結果に加えて,オープンソースライセンス下でのモデル実装とMechanical MNIST Crack Pathデータセットもリリースした。 今後の研究者は,本論文で確立した全フィールドQoI予測のベースライン性能を超越した,関連するデータセットと潜在的設計モデルに直接,我々のモデルアーキテクチャを利用することを期待している。

関連論文リスト

• Enhancing Multiscale Simulations with Constitutive Relations-Aware Deep Operator Networks [0.7946947383637114]
  マルチスケール有限要素計算は、マイクロ構造特性をマクロ計算解析に組み込む能力に期待されている。 マイクロスケール物理の代理モデリングにディープ・オペレーター・ネットワークを利用するハイブリッド手法を提案する。
  論文  参考訳（メタデータ） (2024-05-22T15:40:05Z)
• On Least Square Estimation in Softmax Gating Mixture of Experts [78.3687645289918]
  決定論的MoEモデルに基づく最小二乗推定器(LSE)の性能について検討する。 我々は,多種多様な専門家関数の収束挙動を特徴付けるために,強い識別可能性という条件を確立する。 本研究は,専門家の選択に重要な意味を持つ。
  論文  参考訳（メタデータ） (2024-02-05T12:31:18Z)
• Improving QA Model Performance with Cartographic Inoculation [0.0]
  データセットアーティファクト"は、実世界のQA問題に一般化するモデルの能力を低下させる。 逆問題集合を用いてデータセットアーティファクトの影響と頻度を解析する。 課題集合から曖昧な逆数例のモデルを選択的に微調整することにより、大幅な性能改善が可能であることを示す。
  論文  参考訳（メタデータ） (2024-01-30T23:08:26Z)
• DA-VEGAN: Differentiably Augmenting VAE-GAN for microstructure reconstruction from extremely small data sets [110.60233593474796]
  DA-VEGANは2つの中心的なイノベーションを持つモデルである。 $beta$-variational autoencoderはハイブリッドGANアーキテクチャに組み込まれている。 このアーキテクチャに特化して、独自の差別化可能なデータ拡張スキームが開発されている。
  論文  参考訳（メタデータ） (2023-02-17T08:49:09Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Enhancing Mechanical Metamodels with a Generative Model-Based Augmented Training Dataset [0.7734726150561089]
  組織の機械的挙動を定義する上で重要な役割を果たしているミクロ構造パターンをシミュレートすることは困難である。 本研究では,限られた入力パターンデータセットを増大させるツールとして,機械学習に基づく生成モデルの有効性について検討する。 Cahn-Hilliardパターンに基づく有限要素解析シミュレーションのオープンアクセスデータセットを作成しました。
  論文  参考訳（メタデータ） (2022-03-08T16:15:54Z)
• Learning Mechanically Driven Emergent Behavior with Message Passing Neural Networks [0.0]
  非対称なBuckling Columnsデータセットを紹介する。 目的は、不安定性の開始後の圧縮下での対称性破壊の方向を分類することである。 GNNモデルアーキテクチャの検討に加えて、異なる入力データ表現アプローチの効果について検討する。
  論文  参考訳（メタデータ） (2022-02-03T02:46:16Z)
• 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)
• Hessian-based toolbox for reliable and interpretable machine learning in physics [58.720142291102135]
  本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。 与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。 我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
  論文  参考訳（メタデータ） (2021-08-04T16:32:59Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Exploring the potential of transfer learning for metamodels of heterogeneous material deformation [0.0]
  転送学習は,低忠実度シミュレーションデータとシミュレーションデータの両方を利用することができることを示す。 我々は、大きな変形を受ける異種材料のオープンソースベンチマークデータセットであるMechanical MNISTを拡張した。 これらの低忠実度シミュレーション結果に基づいて学習したメタモデルに蓄積された知識の伝達は、高忠実度シミュレーションの結果を予測するのに使用されるメタモデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-10-28T12:43:46Z)

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。