論文の概要: Residual fourier neural operator for thermochemical curing of composites
- arxiv url: http://arxiv.org/abs/2111.10262v1
- Date: Mon, 15 Nov 2021 14:28:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-28 18:12:33.486970
- Title: Residual fourier neural operator for thermochemical curing of composites
- Title（参考訳）: 複合材料の熱化学的硬化のための残留フーリエニューラルオペレータ
- Authors: Gengxiang Chen, Yingguang Li, Xu liu, Qinglu Meng, Jing Zhou,
Xiaozhong Hao
- Abstract要約: 本稿では,Residual Fourier Neural Operator (ResFNO)を提案する。
ドメイン知識を時間分解能独立パラメータ化ニューラルネットワークに統合することにより、治療サイクルと温度履歴の間のマッピングをラベル付きデータの限られた数で学習することができる。
- 参考スコア（独自算出の注目度）: 9.236600710244478
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: During the curing process of composites, the temperature history heavily
determines the evolutions of the field of degree of cure as well as the
residual stress, which will further influence the mechanical properties of
composite, thus it is important to simulate the real temperature history to
optimize the curing process of composites. Since thermochemical analysis using
Finite Element (FE) simulations requires heavy computational loads and
data-driven approaches suffer from the complexity of highdimensional mapping.
This paper proposes a Residual Fourier Neural Operator (ResFNO) to establish
the direct high-dimensional mapping from any given cure cycle to the
corresponding temperature histories. By integrating domain knowledge into a
time-resolution independent parameterized neural network, the mapping between
cure cycles to temperature histories can be learned using limited number of
labelled data. Besides, a novel Fourier residual mapping is designed based on
mode decomposition to accelerate the training and boost the performance
significantly. Several cases are carried out to evaluate the superior
performance and generalizability of the proposed method comprehensively.
- Abstract（参考訳）: 複合材料の硬化過程において, 温度履歴は硬化度と残留応力の進化を強く決定し, 複合材料の力学特性にさらに影響を及ぼすので, 合成体の硬化過程を最適化するためには, 実温度履歴をシミュレートすることが重要である。
有限要素 (FE) シミュレーションを用いた熱化学的解析では計算負荷が重いため、データ駆動型アプローチは高次元マッピングの複雑さに悩まされる。
本稿では,任意の治療サイクルから対応する温度履歴への直接高次元マッピングを確立するために,残留フーリエニューラル演算子(resfno)を提案する。
ドメイン知識を時間分解能独立パラメータ化ニューラルネットワークに統合することにより、治療サイクルと温度履歴の間のマッピングをラベル付きデータの限られた数で学習することができる。
さらに、新しいフーリエ残差写像をモード分解に基づいて設計し、トレーニングを加速し、性能を大幅に向上させる。
提案手法の性能と一般化性を総合的に評価するために,いくつかの事例が実施された。
関連論文リスト
- Discovering symbolic expressions with parallelized tree search [59.92040079807524]
記号回帰は、データから簡潔で解釈可能な数学的表現を発見する能力のおかげで、科学研究において重要な役割を果たす。
既存のアルゴリズムは、複雑性の問題に対処する際の精度と効率の重要なボトルネックに直面してきた。
本稿では,限定データから汎用数学的表現を効率的に抽出する並列木探索(PTS)モデルを提案する。
論文 参考訳（メタデータ） (2024-07-05T10:41:15Z) - A finite element-based physics-informed operator learning framework for spatiotemporal partial differential equations on arbitrary domains [33.7054351451505]
偏微分方程式(PDE)によって支配される力学を予測できる新しい有限要素に基づく物理演算子学習フレームワークを提案する。
提案した演算子学習フレームワークは、現在の時間ステップで温度場を入力として、次の時間ステップで温度場を予測する。
ネットワークは、FEM溶液と比較して、任意の初期温度場の時間的変化を高精度に予測することに成功した。
論文 参考訳（メタデータ） (2024-05-21T02:41:40Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - Probabilistic Physics-integrated Neural Differentiable Modeling for
Isothermal Chemical Vapor Infiltration Process [3.878427803346315]
化学気相浸透(CVI)は、炭素-炭素および炭化炭素-ケイ素複合化合物の製造に広く用いられている製造技術である。
CVI中の密度化過程は, これらの複合材料の最終性能, 品質, 整合性に重要な影響を及ぼす。
我々は物理積分型ニューラル微分可能(PiNDiff)モデリングフレームワークを用いたデータ駆動予測モデルを開発した。
論文 参考訳（メタデータ） (2023-11-13T23:25:18Z) - Bayesian inference of composition-dependent phase diagrams [47.79947989845143]
本研究では,分子動力学(MD),融点シミュレーション,フォノン計算からの熱力学データを合成し,これらのデータを処理し,温度集中相図を生成する手法を開発した。
開発したアルゴリズムは,Ge-SiとK-Naの2つの二元系において,全濃度および温度で試験に成功した。
論文 参考訳（メタデータ） (2023-09-03T20:57:10Z) - Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。
我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。
対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文 参考訳（メタデータ） (2023-02-10T08:05:19Z) - Applying Physics-Informed Enhanced Super-Resolution Generative
Adversarial Networks to Turbulent Premixed Combustion and Engine-like Flame
Kernel Direct Numerical Simulation Data [0.0]
この研究は、最近開発されたPIESRGANによる乱流予混合燃焼のモデリング手法を推し進めている。
その結果, 全乱流予混合火炎核の直接数値シミュレーションデータに対して, 先行実験と後続試験に良好な結果が得られた。
論文 参考訳（メタデータ） (2022-10-28T15:27:46Z) - Physics-based Learning of Parameterized Thermodynamics from Real-time
Thermography [0.0]
実時間サーモグラフィデータから熱過程のダイナミクスを学習するための物理に基づく新しいアプローチを提案する。
提案手法は雑音に対して頑健であり,パラメータ推定の精度向上に有効であることを示す。
論文 参考訳（メタデータ） (2022-03-24T16:06:31Z) - Analytical Modelling of Exoplanet Transit Specroscopy with Dimensional
Analysis and Symbolic Regression [68.8204255655161]
ディープラーニング革命は、そのような分析結果を直接、データに適合するコンピュータアルゴリズムで導き出すための扉を開いた。
我々は、一般的なホットジュピター系外惑星の遷移半径の合成データにおける記号回帰の利用をうまく実証した。
前処理のステップとして,変数の無次元な組み合わせを特定するために次元解析を用いる。
論文 参考訳（メタデータ） (2021-12-22T00:52:56Z) - Physics-Informed Neural Network for Modelling the Thermochemical Curing
Process of Composite-Tool Systems During Manufacture [11.252083314920108]
オートクレーブで治療を行うツール上で, 複合材料の熱化学的進化をシミュレートするPINNを提案する。
我々は、PDE、境界、インターフェース、初期条件に対応する損失項に自動的に重みを適応させる手法でPINNを訓練する。
提案したPINNの性能は材料厚と熱境界条件の異なる複数のシナリオで実証された。
論文 参考訳（メタデータ） (2020-11-27T00:56:15Z) - A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。
フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。
既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文 参考訳（メタデータ） (2019-10-31T02:26:20Z)
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。