論文の概要: Thermodynamics-based Artificial Neural Networks (TANN) for multiscale
modeling of materials with inelastic microstructure
- arxiv url: http://arxiv.org/abs/2108.13137v2
- Date: Wed, 1 Sep 2021 05:47:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-02 11:30:03.519388
- Title: Thermodynamics-based Artificial Neural Networks (TANN) for multiscale
modeling of materials with inelastic microstructure
- Title（参考訳）: 非弾性構造を有する材料のマルチスケールモデリングのための熱力学に基づくニューラルネットワーク(TANN)
- Authors: Filippo Masi and Ioannis Stefanou
- Abstract要約: マルチスケールの均質化手法は、非弾性材料のマクロ力学的挙動の信頼性と正確な予測を行うためにしばしば用いられる。
ディープラーニングに基づくデータ駆動型アプローチは、アドホックな法則や高速な数値手法に代わる、有望な代替手段として台頭している。
本稿では,非弾性・複雑な構造を持つ機械材料のモデリングのための熱力学に基づくニューラルネットワーク(TANN)を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The mechanical behavior of inelastic materials with microstructure is very
complex and hard to grasp with heuristic, empirical constitutive models. For
this purpose, multiscale, homogenization approaches are often used for
performing reliable, accurate predictions of the macroscopic mechanical
behavior of microstructured solids. Nevertheless, the calculation cost of such
approaches is extremely high and prohibitive for real-scale applications
involving inelastic materials. Recently, data-driven approaches based on deep
learning have risen as a promising alternative to replace ad-hoc constitutive
laws and speed-up multiscale numerical methods. However, such approaches lack a
rigorous frame based on the laws of physics. As a result, their application to
model materials with complex microstructure in inelasticity is not yet
established. Here, we propose Thermodynamics-based Artificial Neural Networks
(TANN) for the constitutive modeling of materials with inelastic and complex
microstructure. Our approach integrates thermodynamics-aware dimensionality
reduction techniques and deep neural networks to identify the constitutive laws
and the internal state variables of complex inelastic materials. The ability of
TANN in delivering high-fidelity, physically consistent predictions is
demonstrated through several examples both at the microscopic and macroscopic
scale. In particular, we show the efficiency and accuracy of TANN in predicting
the average and local stress-strain response, the internal energy and the
dissipation of both regular and perturbed lattice microstructures in
inelasticity. Finally, a double-scale homogenization scheme is used to solve a
large scale boundary value problem. The high performance of the homogenized
model using TANN is illustrated through detailed comparisons. An excellent
agreement is shown for a variety of monotonous and cyclic stress-strain paths.
- Abstract（参考訳）: ミクロ組織を有する非弾性材料の力学的挙動は非常に複雑であり、ヒューリスティックな経験的構成モデルでは把握が困難である。
この目的のために、マイクロ構造体のマクロ力学的挙動の信頼性と正確な予測を行うために、多スケール均質化手法がしばしば用いられる。
しかしながら、そのような手法の計算コストは非常に高く、非弾性材料を含む現実的な応用には不当である。
近年、アドホックな構成法則や高速なマルチスケール数値法に代わるものとして、ディープラーニングに基づくデータ駆動型アプローチが注目されている。
しかし、そのようなアプローチは物理学の法則に基づく厳密な枠組みを欠いている。
その結果, 複雑な非弾性構造を有するモデル材料への応用はまだ確立されていない。
本稿では,非弾性・複雑な構造を持つ材料の構成モデリングのための熱力学に基づくニューラルネットワーク(TANN)を提案する。
本手法は,熱力学を考慮した次元低減技術と深層ニューラルネットワークを統合し,複雑な非弾性材料の構成則と内部状態変数を同定する。
TANNが高忠実で物理的に一貫した予測を行う能力は、顕微鏡とマクロスケールの両方でいくつかの例を通して示される。
特に, 平均的および局所的な応力-ひずみ応答, 内部エネルギー, 非弾性における規則的および摂動的格子微細構造の散逸の予測において, タンの効率と精度を示す。
最後に、大規模境界値問題を解くために二重相同化スキームを用いる。
TANNを用いた同種モデルの高性能化について,詳細な比較を行った。
種々の単調および環状応力-ひずみ経路に対して優れた一致を示す。
関連論文リスト
- Physically recurrent neural network for rate and path-dependent heterogeneous materials in a finite strain framework [0.0]
不均一物質のマイクロスケール解析のためのハイブリッド物理に基づくデータ駆動サロゲートモデルについて検討した。
提案したモデルは、ニューラルネットワークにそれらを埋め込むことで、フルオーダーのマイクロモデルで使用されるモデルに含まれる物理に基づく知識の恩恵を受ける。
論文 参考訳（メタデータ） (2024-04-05T12:40:03Z) - Symmetry-enforcing neural networks with applications to constitutive modeling [0.0]
本研究では,非線形および履歴依存行動を示す複雑なミクロ構造を均質化するために,最先端のマイクロメカニカルモデリングと高度な機械学習技術を組み合わせる方法について述べる。
結果として得られるホモジェナイズドモデルであるスマート法則(SCL)は、従来の並列マルチスケールアプローチで必要とされる計算コストのごく一部で、マイクロインフォメーション法を有限要素ソルバに適用することができる。
本研究では、ニューロンレベルで物質対称性を強制する新しい方法論を導入することにより、SCLの機能を拡張する。
論文 参考訳（メタデータ） (2023-12-21T01:12:44Z) - 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) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - FAENet: Frame Averaging Equivariant GNN for Materials Modeling [123.19473575281357]
データ変換による任意のモデルE(3)-同変や不変化を実現するために,フレームアラグリング(SFA)に依存したフレキシブルなフレームワークを導入する。
本手法の有効性を理論的および実験的に証明し, 材料モデリングにおける精度と計算スケーラビリティを実証する。
論文 参考訳（メタデータ） (2023-04-28T21:48:31Z) - A Neural Network Transformer Model for Composite Microstructure Homogenization [1.2277343096128712]
森田中法のような均質化法は、幅広い構成特性に対して急速な均質化をもたらす。
本稿では,様々なミクロ構造の知識を捉えたトランスフォーマーニューラルネットワークアーキテクチャについて述べる。
ネットワークは、履歴に依存し、非線形で、均質化されたストレス-ひずみ応答を予測する。
論文 参考訳（メタデータ） (2023-04-16T19:57:52Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳（メタデータ） (2022-10-13T10:00:30Z) - Evolution TANN and the discovery of the internal variables and evolution
equations in solid mechanics [0.0]
材料表現をインクリメンタルな定式化から切り離す新しい手法を提案する。
熱力学に基づくニューラルネットワーク(TANN)と内部変数の理論にインスパイアされた進化 TANN(eTANN)は、連続時間である。
提案手法の主な特徴は、通常の微分方程式の形で内部変数の進化方程式の発見である。
論文 参考訳（メタデータ） (2022-09-27T09:25:55Z) - Constitutive model characterization and discovery using physics-informed
deep learning [0.0]
モデルの特徴と発見のための物理インフォームド・ラーニング・マシンに基づく新しい手法を提案する。
提案するフレームワークは,von Misesファミリーとは異なるデータセットを記述する基盤モデルを効率的に同定できることを実証する。
論文 参考訳（メタデータ） (2022-03-18T08:10:02Z) - 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)
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。