論文の概要: Adaptive Clustering-based Reduced-Order Modeling Framework: Fast and
accurate modeling of localized history-dependent phenomena
- arxiv url: http://arxiv.org/abs/2109.11897v1
- Date: Fri, 24 Sep 2021 11:36:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-27 14:00:28.167887
- Title: Adaptive Clustering-based Reduced-Order Modeling Framework: Fast and
accurate modeling of localized history-dependent phenomena
- Title（参考訳）: 適応クラスタリングに基づくリダクテッドオーダーモデリングフレームワーク:局所化履歴依存現象の高速かつ正確なモデリング
- Authors: Bernardo P. Ferreira, F.M. Andrade Pires, Miguel A. Bessa
- Abstract要約: 本稿では,適応クラスタリングに基づくリダクション・オーダー・モデリング(ACROM)フレームワークを提案し,最近のクラスタリングに基づくリダクション・オーダー・モデル(CROM)のファミリーを大幅に改善し拡張する。
これにより、クラスタリングベースのドメイン分解は問題解全体を通して動的に進化し、関連するフィールドがより急勾配を示す領域における最適な洗練が保証される。
これは、高度に局所的な塑性と損傷現象を含む歴史に依存しない非線形問題の高速かつ正確な物質モデリングへの新たな経路を提供する。
- 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: This paper proposes a novel Adaptive Clustering-based Reduced-Order Modeling
(ACROM) framework to significantly improve and extend the recent family of
clustering-based reduced-order models (CROMs). This adaptive framework enables
the clustering-based domain decomposition to evolve dynamically throughout the
problem solution, ensuring optimum refinement in regions where the relevant
fields present steeper gradients. It offers a new route to fast and accurate
material modeling of history-dependent nonlinear problems involving highly
localized plasticity and damage phenomena. The overall approach is composed of
three main building blocks: target clusters selection criterion, adaptive
cluster analysis, and computation of cluster interaction tensors. In addition,
an adaptive clustering solution rewinding procedure and a dynamic adaptivity
split factor strategy are suggested to further enhance the adaptive process.
The coined Adaptive Self-Consistent Clustering Analysis (ASCA) is shown to
perform better than its static counterpart when capturing the multi-scale
elasto-plastic behavior of a particle-matrix composite and predicting the
associated fracture and toughness. Given the encouraging results shown in this
paper, the ACROM framework sets the stage and opens new avenues to explore
adaptivity in the context of CROMs.
- Abstract（参考訳）: 本稿では,適応クラスタリングに基づくリダクション・オーダー・モデリング(ACROM)フレームワークを提案し,最近のクラスタリングに基づくリダクション・オーダー・モデル(CROM)のファミリーを大幅に改善し拡張する。
この適応的なフレームワークにより、クラスタリングベースのドメイン分解は問題解全体を通して動的に進化し、関連するフィールドがより急勾配を示す領域における最適な改善が保証される。
これは、高度に局所的な塑性と損傷現象を含む歴史に依存しない非線形問題の高速かつ正確な物質モデリングへの新たな経路を提供する。
全体的なアプローチは、ターゲットクラスタ選択基準、適応クラスタ分析、クラスタ相互作用テンソルの計算の3つの主要な構成要素で構成されている。
さらに,適応的クラスタリング解の巻き戻し手順と動的適応性分割因子戦略を提案し,適応的プロセスをさらに強化した。
ASCA(Adaptive Self-Consistent Clustering Analysis)は, 粒子・マトリックス複合体のマルチスケールの弾塑性挙動を捉え, 関連する破壊と靭性を予測する際に, 静的なそれよりも優れた性能を示すことを示す。
本稿では、ACROMフレームワークがステージを設定し、CROMの文脈で適応性を探究するための新たな道を開く。
関連論文リスト
- A3S: A General Active Clustering Method with Pairwise Constraints [66.74627463101837]
A3Sは、適応クラスタリングアルゴリズムによって得られる初期クラスタ結果に対して、戦略的にアクティブクラスタリングを調整する。
さまざまな実世界のデータセットにわたる広範な実験において、A3Sは、人間のクエリを著しく少なくして、望ましい結果を達成する。
論文 参考訳（メタデータ） (2024-07-14T13:37:03Z) - Correspondence-Free Non-Rigid Point Set Registration Using Unsupervised Clustering Analysis [28.18800845199871]
非教師なしクラスタリング解析に触発された、新しい非厳密な点集合登録法を提案する。
提案手法は,様々なシナリオにおいて高い精度を達成し,競争相手をはるかに上回っている。
論文 参考訳（メタデータ） (2024-06-27T01:16:44Z) - GCC: Generative Calibration Clustering [55.44944397168619]
本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。
まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。
第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
論文 参考訳（メタデータ） (2024-04-14T01:51:11Z) - Unfolding ADMM for Enhanced Subspace Clustering of Hyperspectral Images [43.152314090830174]
本稿では,スパースサブスペースクラスタリングのためのマルチプライヤの交互方向法(ADMM)に基づく反復解法を展開させることにより,ハイパースペクトル画像(HSI)のための革新的なクラスタリングアーキテクチャを提案する。
提案手法は, 構造保存モジュールの一部として, K近傍近傍のアルゴリズムを用いて, HSIデータの構造特性をよく把握する。
論文 参考訳（メタデータ） (2024-04-10T15:51:46Z) - Transferable Deep Clustering Model [14.073783373395196]
本稿では,データサンプルの分布に応じてクラスタセントロイドを自動的に適応できる,転送可能な新しいディープクラスタリングモデルを提案する。
提案手法では, 試料との関係を計測することで, センチロイドを適応できる新しい注意型モジュールを提案する。
合成および実世界の両方のデータセットに対する実験結果から,提案した移動学習フレームワークの有効性と有効性を示す。
論文 参考訳（メタデータ） (2023-10-07T23:35:17Z) - When to Update Your Model: Constrained Model-based Reinforcement
Learning [50.74369835934703]
モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。
続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。
さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
論文 参考訳（メタデータ） (2022-10-15T17:57:43Z) - Slimmable Domain Adaptation [112.19652651687402]
重み付けモデルバンクを用いて、ドメイン間の一般化を改善するためのシンプルなフレームワーク、Slimmable Domain Adaptationを導入する。
私たちのフレームワークは、他の競合するアプローチを、複数のベンチマークにおいて非常に大きなマージンで上回ります。
論文 参考訳（メタデータ） (2022-06-14T06:28:04Z) - Revisiting GANs by Best-Response Constraint: Perspective, Methodology,
and Application [49.66088514485446]
ベストレスポンス制約(Best-Response Constraint、BRC)は、ジェネレータのディスクリミネータへの依存性を明示的に定式化する一般的な学習フレームワークである。
モチベーションや定式化の相違があっても, フレキシブルBRC法により, 様々なGANが一様に改善できることが示される。
論文 参考訳（メタデータ） (2022-05-20T12:42:41Z) - Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian
Modeling [68.69431580852535]
サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。
我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。
我々は2つの異なる社会問題に対してアルゴリズムを実行する。
論文 参考訳（メタデータ） (2021-07-07T03:57:22Z) - Uncertainty Modelling in Risk-averse Supply Chain Systems Using
Multi-objective Pareto Optimization [0.0]
サプライチェーンモデリングにおける困難なタスクの1つは、不規則な変動に対して堅牢なモデルを構築することである。
我々は、不確実性を扱うためのパレート最適化(Pareto Optimization)という新しい手法を導入し、これらの不確実性のエントロピーをアプリオリ仮定の下で明示的にモデル化することで拘束する。
論文 参考訳（メタデータ） (2020-04-24T21:04:25Z)
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。