論文の概要: Remixing Functionally Graded Structures: Data-Driven Topology
Optimization with Multiclass Shape Blending
- arxiv url: http://arxiv.org/abs/2112.00648v1
- Date: Wed, 1 Dec 2021 16:54:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-02 16:00:05.808382
- Title: Remixing Functionally Graded Structures: Data-Driven Topology
Optimization with Multiclass Shape Blending
- Title（参考訳）: 機能的傾斜構造のリミックス:多種形状ブレンディングを用いたデータ駆動トポロジー最適化
- Authors: Yu-Chin Chan, Daicong Da, Liwei Wang, Wei Chen
- Abstract要約: 本稿では,多クラス関数型構造のためのデータ駆動型フレームワークを提案する。
鍵となるのは、滑らかにグレードされたマイクロ構造を生成する新しいマルチクラス形状ブレンディング方式である。
マイクロスケールの問題を、設計を事前に定義された形状に詰め込むことなく、効率的で低次元のものに変換する。
- 参考スコア（独自算出の注目度）: 15.558093285161775
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To create heterogeneous, multiscale structures with unprecedented
functionalities, recent topology optimization approaches design either fully
aperiodic systems or functionally graded structures, which compete in terms of
design freedom and efficiency. We propose to inherit the advantages of both
through a data-driven framework for multiclass functionally graded structures
that mixes several families, i.e., classes, of microstructure topologies to
create spatially-varying designs with guaranteed feasibility. The key is a new
multiclass shape blending scheme that generates smoothly graded microstructures
without requiring compatible classes or connectivity and feasibility
constraints. Moreover, it transforms the microscale problem into an efficient,
low-dimensional one without confining the design to predefined shapes.
Compliance and shape matching examples using common truss geometries and
diversity-based freeform topologies demonstrate the versatility of our
framework, while studies on the effect of the number and diversity of classes
illustrate the effectiveness. The generality of the proposed methods supports
future extensions beyond the linear applications presented.
- Abstract（参考訳）: 前例のない機能を持つ異質なマルチスケール構造を作成するために、近年のトポロジー最適化アプローチは、設計の自由度と効率の面で競合する完全非周期システムまたは機能的にグレードされた構造を設計する。
本稿では,複数系統,すなわち構造トポロジを混在させた多クラス機能構造のためのデータ駆動型フレームワークにより,両者の利点を継承し,実現可能性の保証された空間変動設計を作成することを提案する。
鍵となるのは、互換性のあるクラスや接続性、実現可能性の制約を必要とせずに、スムーズなグレードドの微構造を生成する、新しいマルチクラスシェイプブレンディングスキームである。
さらに、マイクロスケールの問題を設計を事前定義された形状に詰め込むことなく、効率的で低次元のものに変換する。
共通トラス測地と多様性に基づく自由形式トポロジーを用いたコンプライアンスと形状整合の例は、我々のフレームワークの汎用性を示し、クラスの数と多様性の影響について研究した。
提案手法の一般性は、提示される線形アプリケーションを超えた将来の拡張をサポートする。
関連論文リスト
- Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
我々は、MBOタスクの構造を学習し、経験的に改良された設計につながるモデルを開発する。
我々はCliqueformerを、高次元のブラックボックス機能から、化学・遺伝設計の現実的なタスクまで、様々なタスクで評価する。
論文 参考訳（メタデータ） (2024-10-17T00:35:47Z) - Consistent machine learning for topology optimization with microstructure-dependent neural network material models [0.0]
空間的に異なるミクロ構造対称性と異なる異なるマイクロ構造記述子を持つマルチスケール構造のためのフレームワークを提案する。
本研究は,密度に基づく設計最適化と整合性の統合の可能性を明らかにする。
論文 参考訳（メタデータ） (2024-08-25T14:17:43Z) - Smooth Like Butter: Evaluating Multi-Lattice Transitions in Property-Augmented Latent Spaces [0.0]
本研究は,複数格子遷移領域を生成するためのハイブリッドジオメトリ/プロパティ変分オートエンコーダ(VAE)を実装し,評価する。
本研究では, ハイブリッドVAEが遷移領域を通した剛性連続性を維持する上で, 高い性能を示した。
論文 参考訳（メタデータ） (2024-07-10T22:28:13Z) - ComboStoc: Combinatorial Stochasticity for Diffusion Generative Models [65.82630283336051]
拡散生成モデルの既存のトレーニングスキームにより,次元と属性の組み合わせによって区切られた空間が十分に標本化されていないことを示す。
構造を完全に活用するプロセスを構築し,ComboStocという名前でこの問題に対処する。
論文 参考訳（メタデータ） (2024-05-22T15:23:10Z) - A Pareto-optimal compositional energy-based model for sampling and
optimization of protein sequences [55.25331349436895]
深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。
これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
論文 参考訳（メタデータ） (2022-10-19T19:04:45Z) - Differentiable Spline Approximations [48.10988598845873]
微分プログラミングは機械学習のスコープを大幅に強化した。
標準的な微分可能なプログラミング手法(autodiffなど)は、通常、機械学習モデルが微分可能であることを要求する。
この再設計されたヤコビアンを予測モデルにおける微分可能な「層」の形で活用することで、多様なアプリケーションの性能が向上することを示す。
論文 参考訳（メタデータ） (2021-10-04T16:04:46Z) - Data-Driven Multiscale Design of Cellular Composites with Multiclass
Microstructures for Natural Frequency Maximization [14.337297795182181]
本稿では,データ駆動型トポロジ最適化(TO)手法を提案する。
このフレームワークは、熱コンプライアンスや動的応答最適化など、他のマルチスケールTO問題にも容易に拡張できる。
論文 参考訳（メタデータ） (2021-06-11T15:59:33Z) - Bilinear Classes: A Structural Framework for Provable Generalization in
RL [119.42509700822484]
Bilinear Classesは強化学習の一般化を可能にする新しい構造フレームワークである。
このフレームワークは、サンプルの複雑さが達成可能な、ほとんどすべての既存のモデルを取り込んでいる。
我々の主な成果は、双線形クラスのためのサンプル複雑性を持つRLアルゴリズムである。
論文 参考訳（メタデータ） (2021-03-19T16:34:20Z) - Isometric Multi-Shape Matching [50.86135294068138]
形状間の対応を見つけることは、コンピュータビジョンとグラフィックスの基本的な問題である。
アイソメトリーは形状対応問題においてしばしば研究されるが、マルチマッチング環境では明確には考慮されていない。
定式化を解くのに適した最適化アルゴリズムを提案し,コンバージェンスと複雑性解析を提供する。
論文 参考訳（メタデータ） (2020-12-04T15:58:34Z) - Deep Generative Modeling for Mechanistic-based Learning and Design of
Metamaterial Systems [20.659457956055366]
深部生成モデルに基づく新しいデータ駆動メタマテリアル設計フレームワークを提案する。
本研究では,VAEの潜伏空間が,形状類似度を測定するための距離メートル法を提供することを示す。
機能的グレードとヘテロジニアスなメタマテリアルシステムの両方を設計することで、我々のフレームワークを実証する。
論文 参考訳（メタデータ） (2020-06-27T03:56:55Z) - Data-Driven Topology Optimization with Multiclass Microstructures using
Latent Variable Gaussian Process [18.17435834037483]
メタマテリアルの微細構造ライブラリーのための多応答潜在変数ガウス過程 (LVGP) モデルを開発した。
MR-LVGPモデルでは、混合変数の応答に対する集合的影響に基づいて、混合変数を連続的な設計空間に埋め込む。
マイクロ構造, マクロ構造に対する一貫した負荷伝達経路により, マルチクラスのマイクロ構造を考えることで, 性能の向上が期待できることを示す。
論文 参考訳（メタデータ） (2020-06-27T03:55:52Z)
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。