論文の概要: Stress field prediction in fiber-reinforced composite materials using a
deep learning approach
- arxiv url: http://arxiv.org/abs/2111.05271v1
- Date: Mon, 1 Nov 2021 01:52:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-14 15:10:47.570000
- Title: Stress field prediction in fiber-reinforced composite materials using a
deep learning approach
- Title（参考訳）: 深層学習による繊維強化複合材料の応力場予測
- Authors: Anindya Bhaduri, Ashwini Gupta, Lori Graham-Brady
- Abstract要約: 有限要素法 (FEM) は, 複合材料系の応力解析を行う標準的な手法である。
本研究では繊維強化複合材料システムについて考察する。
我々は、深層学習ツールを用いて、応力場予測のためのFEMアプローチの代替品を見つける。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computational stress analysis is an important step in the design of material
systems. Finite element method (FEM) is a standard approach of performing
stress analysis of complex material systems. A way to accelerate stress
analysis is to replace FEM with a data-driven machine learning based stress
analysis approach. In this study, we consider a fiber-reinforced matrix
composite material system and we use deep learning tools to find an alternative
to the FEM approach for stress field prediction. We first try to predict stress
field maps for composite material systems of fixed number of fibers with
varying spatial configurations. Specifically, we try to find a mapping between
the spatial arrangement of the fibers in the composite material and the
corresponding von Mises stress field. This is achieved by using a convolutional
neural network (CNN), specifically a U-Net architecture, using true stress maps
of systems with same number of fibers as training data. U-Net is a
encoder-decoder network which in this study takes in the composite material
image as an input and outputs the stress field image which is of the same size
as the input image. We perform a robustness analysis by taking different
initializations of the training samples to find the sensitivity of the
prediction accuracy to the small number of training samples. When the number of
fibers in the composite material system is increased for the same volume
fraction, a finer finite element mesh discretization is required to represent
the geometry accurately. This leads to an increase in the computational cost.
Thus, the secondary goal here is to predict the stress field for systems with
larger number of fibers with varying spatial configurations using information
from the true stress maps of relatively cheaper systems of smaller fiber
number.
- Abstract（参考訳）: 計算応力解析は材料システム設計における重要なステップである。
有限要素法 (FEM) は複雑な材料系の応力解析を行う標準的な手法である。
ストレス分析を加速する方法は、femをデータ駆動機械学習ベースのストレス分析アプローチに置き換えることである。
本研究では, 繊維強化マトリックス複合材料システムについて考察し, 深層学習ツールを用いて応力場予測のためのFEM手法の代替手法を提案する。
まず, 空間構成の異なる繊維の固定数の複合材料系に対する応力場マップの予測を試みた。
具体的には,複合材料中の繊維の空間配置と対応するフォン・ミセス応力場とのマッピングを試みた。
これは畳み込みニューラルネットワーク(CNN)、特にU-Netアーキテクチャを使用して、トレーニングデータと同じ数のファイバーを持つシステムの真のストレスマップを使用して達成される。
u-netはエンコーダ・デコーダネットワークであり,本研究では複合材料イメージを入力として入力画像と同じ大きさの応力場画像を出力する。
トレーニングサンプルの異なる初期化を行い,少数のトレーニングサンプルに対する予測精度の感度を求めることにより,ロバスト性解析を行う。
複合材料系の繊維数が同じ体積率で増加すると、その形状を正確に表現するためには、より微細な有限要素メッシュ離散化が必要である。
これにより計算コストが増大する。
そこで, 本研究の目的は, 比較的安価な繊維数が少ない系の真の応力マップからの情報を用いて, 空間構成の異なる繊維数が多いシステムの応力場を予測することである。
関連論文リスト
- Iterative Sizing Field Prediction for Adaptive Mesh Generation From Expert Demonstrations [49.173541207550485]
Adaptive Meshing By Expert Reconstruction (AMBER) は模倣学習問題である。
AMBERは、グラフニューラルネットワークとオンラインデータ取得スキームを組み合わせて、専門家メッシュの投影されたサイズフィールドを予測する。
我々は、人間の専門家が提供した2Dメッシュと3Dメッシュ上でAMBERを実験的に検証し、提供されたデモと密に一致し、シングルステップのCNNベースラインを上回った。
論文 参考訳（メタデータ） (2024-06-20T10:01:22Z) - Large-scale gradient-based training of Mixtures of Factor Analyzers [67.21722742907981]
本稿では,勾配降下による高次元学習を効果的に行うための理論解析と新しい手法の両立に寄与する。
MFAトレーニングと推論/サンプリングは,学習終了後の行列逆変換を必要としない精度行列に基づいて行うことができることを示す。
理論解析と行列の他に,SVHNやMNISTなどの画像データセットにMFAを適用し,サンプル生成と外乱検出を行う能力を示す。
論文 参考訳（メタデータ） (2023-08-26T06:12:33Z) - Learning the nonlinear dynamics of soft mechanical metamaterials with
graph networks [3.609538870261841]
ソフトメカニカルメタマテリアルの力学を研究する機械学習手法を提案する。
提案手法は直接数値シミュレーションと比較して計算コストを大幅に削減することができる。
論文 参考訳（メタデータ） (2022-02-24T00:20:28Z) - Equivariant vector field network for many-body system modeling [65.22203086172019]
Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。
シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
論文 参考訳（メタデータ） (2021-10-26T14:26:25Z) - 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) - Physics informed neural networks for continuum micromechanics [68.8204255655161]
近年,応用数学や工学における多種多様な問題に対して,物理情報ニューラルネットワークの適用が成功している。
グローバルな近似のため、物理情報ニューラルネットワークは、最適化によって局所的な効果と強い非線形解を表示するのに困難である。
実世界の$mu$CT-Scansから得られた不均一構造における非線形応力, 変位, エネルギー場を, 正確に解くことができる。
論文 参考訳（メタデータ） (2021-10-14T14:05:19Z) - Cell division in deep material networks applied to multiscale strain
localization modeling [0.0]
deep material networks(dmn)は、ビルディングブロックに組み込みメカニクスを持つ機械学習モデルである。
ネットワーク上のスケール遷移を追跡するために新しいセル分割スキームが提案され、その一貫性は適合パラメータの物理によって保証される。
細胞中の新たな亀裂表面は凝集層を豊かにすることでモデル化され、亀裂発生と進化のために障害アルゴリズムが開発されている。
論文 参考訳（メタデータ） (2021-01-18T18:24:51Z) - Predicting Mechanical Properties from Microstructure Images in
Fiber-reinforced Polymers using Convolutional Neural Networks [8.023452876968694]
本稿では,繊維強化ポリマー試料の2次元分割トモグラフィ画像の応力場予測のために,ScressNetから修正した完全畳み込みニューラルネットワークについて検討する。
トレーニングされたモデルは、通常のラップトップ上で1回のフォワードパスで数秒以内に予測を行うことができ、ハイパフォーマンスなコンピューティングクラスタ上で完全な有限要素シミュレーションを実行するのに92.5時間かかる。
論文 参考訳（メタデータ） (2020-10-07T22:15:48Z) - Difference-Based Deep Learning Framework for Stress Predictions in
Heterogeneous Media [0.0]
我々は、Deep Learningを利用して、異種メディアにおけるストレス分布を決定するために、新しい差分ベースニューラルネットワーク(DiNN)フレームワークを開発する。
我々は,異種メディアの予測精度を向上させるために,異なる入力サンプル間の応力分布の違いを強調することに重点を置いている。
その結果、DNN構造は既存の構造に比べてストレス予測の精度を著しく向上させることがわかった。
論文 参考訳（メタデータ） (2020-07-01T00:18:14Z) - Intelligent multiscale simulation based on process-guided composite
database [0.0]
本稿では、プロセスモデリング、材料均質化、機械学習に基づく統合データ駆動モデリングフレームワークを提案する。
我々は, 自動車, 航空宇宙, エレクトロニクス産業において重要な材料システムとして認識されてきた, 射出成形した短繊維強化複合材料に興味を持っている。
論文 参考訳（メタデータ） (2020-03-20T20:39:19Z) - Multilinear Compressive Learning with Prior Knowledge [106.12874293597754]
マルチリニア圧縮学習(MCL)フレームワークは、マルチリニア圧縮センシングと機械学習をエンドツーエンドシステムに統合する。
MCLの背後にある主要なアイデアは、下流学習タスクの信号から重要な特徴を捉えることのできるテンソル部分空間の存在を仮定することである。
本稿では、上記の要件、すなわち、関心の信号が分離可能なテンソル部分空間をどうやって見つけるかという、2つの要件に対処する新しい解決策を提案する。
論文 参考訳（メタデータ） (2020-02-17T19:06:05Z)
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。