論文の概要: Dynamic fracture of a bicontinuously nanostructured copolymer: A deep
learning analysis of big-data-generating experiment
- arxiv url: http://arxiv.org/abs/2112.01971v1
- Date: Fri, 3 Dec 2021 15:31:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-06 17:14:14.189264
- Title: Dynamic fracture of a bicontinuously nanostructured copolymer: A deep
learning analysis of big-data-generating experiment
- Title（参考訳）: ナノ構造共重合体の動的破壊:ビッグデータ生成実験のディープラーニング解析
- Authors: Hanxun Jin, Rodney J. Clifton, Kyung-Suk Kim
- Abstract要約: 両連続ナノ構造を有するポリウレアの動的破壊靭性および凝集パラメータを極端に高いクラック・リップ負荷速度で報告した。
ポリウレアの動的凝集パラメータは, 事前学習したCNNアーキテクチャにより初めて得られた。
- 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: Here, we report the dynamic fracture toughness as well as the cohesive
parameters of a bicontinuously nanostructured copolymer, polyurea, under an
extremely high crack-tip loading rate, from a deep-learning analysis of a
dynamic big-data-generating experiment. We first invented a novel Dynamic
Line-Image Shearing Interferometer (DL-ISI), which can generate the
displacement-gradient - time profiles along a line on a sample's back surface
projectively covering the crack initiation and growth process in a single plate
impact experiment. Then, we proposed a convolutional neural network (CNN) based
deep-learning framework that can inversely determine the accurate cohesive
parameters from DL-ISI fringe images. Plate-impact experiments on a polyurea
sample with a mid-plane crack have been performed, and the generated DL-ISI
fringe image has been inpainted by a Conditional Generative Adversarial
Networks (cGAN). For the first time, the dynamic cohesive parameters of
polyurea have been successfully obtained by the pre-trained CNN architecture
with the computational dataset, which is consistent with the correlation method
and the linear fracture mechanics estimation. Apparent dynamic toughening is
found in polyurea, where the cohesive strength is found to be nearly three
times higher than the spall strength under the symmetric impact with the same
impact speed. These experimental results fill the gap in the current
understanding of copolymer's cooperative-failure strength under extreme local
loading conditions near the crack tip. This experiment also demonstrates the
advantages of big-data-generating experiments, which combine innovative
high-throughput experimental techniques with state-of-the-art machine learning
algorithms.
- Abstract（参考訳）: 本稿では, 動的ビッグデータ生成実験のディープラーニング解析から, 両連続ナノ構造共重合体ポリウレアの動的破壊靭性および凝集パラメータを極端に高いクラックチップ負荷速度で報告する。
単板衝撃実験において, き裂発生および成長過程を投影的にカバーする試料の裏面の線に沿って, 変位勾配の時間プロファイルを生成できる新しい動的ライン画像せん断干渉計 (DL-ISI) を考案した。
そこで我々は,DL-ISI fringe 画像から正確な凝集パラメータを逆に決定できる畳み込みニューラルネットワーク(CNN)に基づくディープラーニングフレームワークを提案する。
中間面クラックを有するポリウレア試料の板衝撃実験を行い, 生成したDL-ISI fringe画像は, 条件付き生成反転ネットワーク(cGAN)によって塗装されている。
ポリウレアの動的凝集パラメータは, 相関法と線形破壊力学推定に整合した計算データセットを用いて, 事前学習したCNNアーキテクチャにより初めて得られた。
ポリウレアでは見かけの動的強靭化が見られ、同じ衝撃速度の対称衝撃下での凝集強度はスポール強度の約3倍であることがわかった。
これらの実験結果は, ひび割れ先端付近の極端局所荷重条件下でのコポリマーの協調疲労強度の現在の理解のギャップを埋める。
この実験はまた、革新的な高スループット実験技術と最先端の機械学習アルゴリズムを組み合わせたビッグデータ生成実験の利点を実証する。
関連論文リスト
- Ambiguous Resonances in Multipulse Quantum Sensing with Nitrogen Vacancy Centers [0.2686836573610359]
ダイヤモンド中の1つの窒素空孔中心に存在する3つの効果を実験的に評価した。
また、回転波近似を伴わない数値シミュレーションモデルを開発し、実験データに頑健な相関関係を示した。
窒素空孔中心と動的デカップリング配列に焦点が当てられているが、これらの結果と開発モデルは他の固体スピンや量子センシング技術にも適用できる可能性がある。
論文 参考訳（メタデータ） (2024-07-12T16:35:36Z) - N-representable one-electron reduced density matrix reconstruction with
frozen core electrons [0.0]
量子結晶学の最近の進歩により、N表現性条件を満たす1電子還元密度行列(1-RDM)が再構成可能であることが示されている。
対称性の制約や凍結コア電子寄与を含む改良されたモデルを導入し、システムの複雑さの増大に対処する。
モデルと戦略のロバスト性は, 実際の実験散乱データから再構成問題に対処するために, 順応することが示されている。
論文 参考訳（メタデータ） (2024-03-01T13:48:05Z) - A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文 参考訳（メタデータ） (2024-01-26T09:35:17Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-03T06:19:20Z) - A machine learning-based viscoelastic-viscoplastic model for epoxy
nanocomposites with moisture content [0.0]
本研究では, 含水ナノ粒子の循環粘弾性・粘弾性・粘塑性損傷挙動を解析するための深層学習モデルを提案する。
サンプリング手法と摂動法を組み合わせた長期記憶ネットワークを訓練する。
実験によって検証された粘弾性-粘弾性-粘弾性モデルにより生成されたトレーニングデータとともに、DLモデルは、速度依存性の応力-ひずみ関係を正確に捉えることができる。
論文 参考訳（メタデータ） (2023-05-14T08:33:11Z) - 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) - Slow semiclassical dynamics of a two-dimensional Hubbard model in
disorder-free potentials [77.34726150561087]
調和およびスピン依存線形ポテンシャルの導入は、fTWAを長期間にわたって十分に検証することを示した。
特に、有限2次元系に着目し、中間線形ポテンシャル強度において、高調波ポテンシャルの追加と傾きのスピン依存が、亜拡散力学をもたらすことを示す。
論文 参考訳（メタデータ） (2022-10-03T16:51:25Z) - Convex Analysis of the Mean Field Langevin Dynamics [49.66486092259375]
平均場ランゲヴィン力学の収束速度解析について述べる。
ダイナミックスに付随する$p_q$により、凸最適化において古典的な結果と平行な収束理論を開発できる。
論文 参考訳（メタデータ） (2022-01-25T17:13:56Z) - 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) - 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)
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。