論文の概要: A physics-informed variational DeepONet for predicting the crack path in
brittle materials
- arxiv url: http://arxiv.org/abs/2108.06905v1
- Date: Mon, 16 Aug 2021 05:31:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-17 14:42:31.926297
- Title: A physics-informed variational DeepONet for predicting the crack path in
brittle materials
- Title（参考訳）: 物理インフォームド変圧器DeepONetによる脆性材料のひび割れ経路予測
- Authors: Somdatta Goswami, Minglang Yin, Yue Yu, George Karniadakis
- Abstract要約: 脆性破壊解析のための物理インフォームによるDeepONet(V-DeepONet)の変分定式化を提案する。
V-DeepONetは、欠陥の初期設定を関連する関心領域にマッピングするように訓練されている。
脆性破壊の2つのベンチマークによるV-DeepOnetの有効性を実証し,その精度を高忠実度解析器を用いて検証した。
- 参考スコア（独自算出の注目度）: 3.1196544696082613
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Failure trajectories, identifying the probable failure zones, and damage
statistics are some of the key quantities of relevance in brittle fracture
applications. High-fidelity numerical solvers that reliably estimate these
relevant quantities exist but they are computationally demanding requiring a
high resolution of the crack. Moreover, independent intensive simulations need
to be carried out even for a small change in domain parameters and/or material
properties. Therefore, fast and generalizable surrogate models are needed to
alleviate the computational burden but the discontinuous nature of fracture
mechanics presents a major challenge to developing such models. We propose a
physics-informed variational formulation of DeepONet (V-DeepONet) for brittle
fracture analysis. V-DeepONet is trained to map the initial configuration of
the defect to the relevant fields of interests (e.g., damage and displacement
fields). Once the network is trained, the entire global solution can be rapidly
obtained for any initial crack configuration and loading steps on that domain.
While the original DeepONet is solely data-driven, we take a different path to
train the V-DeepONet by imposing the governing equations in variational form
and we also use some labelled data. We demonstrate the effectiveness of
V-DeepOnet through two benchmarks of brittle fracture, and we verify its
accuracy using results from high-fidelity solvers. Encoding the physical laws
and also some data to train the network renders the surrogate model capable of
accurately performing both interpolation and extrapolation tasks, considering
that fracture modeling is very sensitive to fluctuations. The proposed hybrid
training of V-DeepONet is superior to state-of-the-art methods and can be
applied to a wide array of dynamical systems with complex responses.
- Abstract（参考訳）: 故障軌道、予測可能な故障ゾーンの特定、損傷統計は脆性破壊の応用における重要な関連性の一つである。
これらの関連量を確実に推定する高忠実度数値解法は存在するが、計算上はクラックの高分解能を必要とする。
さらに、ドメインパラメータや材料特性の小さな変化であっても、独立した集中シミュレーションを行う必要がある。
したがって、計算負担を軽減するために高速で一般化可能な代理モデルが必要であるが、破壊力学の不連続性はそのようなモデルを開発する上で大きな課題となる。
脆性破壊解析のための物理インフォームによるDeepONet(V-DeepONet)の変分定式化を提案する。
v-deeponetは、欠陥の初期構成を関連する関心分野(例えば損傷や変位場)にマッピングするように訓練されている。
ネットワークがトレーニングされると、そのドメイン上の初期クラック設定とロードステップに対して、グローバルソリューション全体が迅速に取得できる。
もともとのDeepONetはデータ駆動型に過ぎなかったが、V-DeepONetの学習には変分形式による支配方程式を導入し、ラベル付きデータも利用している。
脆性破壊の2つのベンチマークによるV-DeepOnetの有効性を実証し,その精度を高忠実度解析器を用いて検証した。
物理法則を符号化し、ネットワークをトレーニングするデータも、フラクチャーモデリングが揺らぎに非常に敏感であることを考慮して、補間と外挿の両方を正確に行うことができる代理モデルをレンダリングする。
The proposed hybrid training of V-DeepONet is superior than state-of-the-art method and can be applied to a wide array of dynamical systems with complex response。
関連論文リスト
- Network scaling and scale-driven loss balancing for intelligent poroelastography [2.665036498336221]
フルウェーブフォームデータからポリ弾性媒体のマルチスケールキャラクタリゼーションのためのディープラーニングフレームワークを開発した。
2つの大きな課題は、この目的のために既存の最先端技術を直接適用することを妨げる。
本稿では, ニューラルネットワークをスケーリング層に構成した単位形状関数を用いて, ニューラルプロパティマップを構築する, エンフェネティックスケーリングの考え方を提案する。
論文 参考訳（メタデータ） (2024-10-27T23:06:29Z) - Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [58.60915132222421]
本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。
フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。
設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
論文 参考訳（メタデータ） (2024-08-23T01:53:36Z) - Alpha-VI DeepONet: A prior-robust variational Bayesian approach for enhancing DeepONets with uncertainty quantification [0.0]
一般化変分推論(GVI)を組み込んだ新しいディープオペレータネットワーク(DeepONet)を提案する。
分岐ネットワークとトランクネットワークのビルディングブロックとしてベイズニューラルネットワークを組み込むことで,不確実な定量化が可能なDeepONetを実現する。
変動目的関数の修正は平均二乗誤差を最小化する点で優れた結果をもたらすことを示す。
論文 参考訳（メタデータ） (2024-08-01T16:22:03Z) - Streamflow Prediction with Uncertainty Quantification for Water Management: A Constrained Reasoning and Learning Approach [27.984958596544278]
本稿では、論理的制約として表される物理法則を、ディープニューラルネットワークの層として統合する制約付き推論と学習(CRL)アプローチについて検討する。
そこで本研究では,深層モデルの一般化精度を向上させるため,理論的に基礎的なトレーニング手法を開発した。
論文 参考訳（メタデータ） (2024-05-31T18:53:53Z) - Training Deep Surrogate Models with Large Scale Online Learning [48.7576911714538]
ディープラーニングアルゴリズムは、PDEの高速解を得るための有効な代替手段として登場した。
モデルは通常、ソルバによって生成された合成データに基づいてトレーニングされ、ディスクに格納され、トレーニングのために読み返される。
ディープサロゲートモデルのためのオープンソースのオンライントレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-28T12:02:27Z) - Physics-aware deep learning framework for linear elasticity [0.0]
本稿では,線形連続弾性問題に対する効率的で堅牢なデータ駆動型ディープラーニング(DL)計算フレームワークを提案する。
フィールド変数の正確な表現のために,多目的損失関数を提案する。
弾性に対するAirimaty解やKirchhoff-Loveプレート問題を含むいくつかのベンチマーク問題を解く。
論文 参考訳（メタデータ） (2023-02-19T20:33:32Z) - 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) - Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。
シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
論文 参考訳（メタデータ） (2022-03-25T19:57:19Z) - Physics-enhanced deep surrogates for partial differential equations [30.731686639510517]
本稿では, 複雑な物理系のための高速サロゲートモデル開発に向けて, 物理強化ディープサロゲート(PEDS)アプローチを提案する。
具体的には,低忠実で説明可能な物理シミュレータとニューラルネットワークジェネレータの組み合わせを提案する。
論文 参考訳（メタデータ） (2021-11-10T18:43:18Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - Attribute-Guided Adversarial Training for Robustness to Natural
Perturbations [64.35805267250682]
本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。
我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
論文 参考訳（メタデータ） (2020-12-03T10:17:30Z)
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。