Fugu-MT 論文翻訳(概要): A deep learning energy method for hyperelasticity and viscoelasticity

論文の概要: A deep learning energy method for hyperelasticity and viscoelasticity

arxiv url: http://arxiv.org/abs/2201.08690v1
Date: Sat, 15 Jan 2022 05:52:38 GMT
ステータス: 処理完了
システム内更新日: 2022-01-30 13:08:19.778266
Title: A deep learning energy method for hyperelasticity and viscoelasticity
Title（参考訳）: 超弾性と粘弾性の深層学習エネルギー法
Authors: Diab W. Abueidda, Seid Koric, Rashid Abu Al-Rub, Corey M. Parrott, Kai A. James and Nahil A. Sobh
Abstract要約: 提案したディープエナジー法(DEM)は自己完結型でメッシュフリーである。時間を要するトレーニングデータ生成を必要とせずに、3次元(3D)の機械的応答を正確に捉えることができる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The potential energy formulation and deep learning are merged to solve partial differential equations governing the deformation in hyperelastic and viscoelastic materials. The presented deep energy method (DEM) is self-contained and meshfree. It can accurately capture the three-dimensional (3D) mechanical response without requiring any time-consuming training data generation by classical numerical methods such as the finite element method. Once the model is appropriately trained, the response can be attained almost instantly at any point in the physical domain, given its spatial coordinates. Therefore, the deep energy method is potentially a promising standalone method for solving partial differential equations describing the mechanical deformation of materials or structural systems and other physical phenomena.
Abstract（参考訳）: ポテンシャルエネルギーの定式化と深層学習を融合して超弾性・粘弾性材料の変形を規定する偏微分方程式を解く。提案したDeep Energy Method (DEM) は自己完結型でメッシュフリーである。有限要素法のような古典的数値法で時間を要するトレーニングデータ生成を必要とせずに、3次元の機械的応答を正確に捉えることができる。モデルが適切に訓練されると、応答は物理領域の任意の時点でほぼ瞬時に達成され、空間座標が与えられる。したがって、深層エネルギー法は、材料や構造系の機械的変形やその他の物理的現象を記述する偏微分方程式を解くための有望な単独の方法である可能性がある。

関連論文リスト

Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文参考訳（メタデータ） (2023-10-10T13:23:05Z)
PAC-NeRF: Physics Augmented Continuum Neural Radiance Fields for Geometry-Agnostic System Identification [64.61198351207752]
ビデオからのシステム同定(オブジェクトの物理的パラメータを推定する)への既存のアプローチは、既知のオブジェクトジオメトリを仮定する。本研究では,オブジェクトの形状やトポロジを仮定することなく,多視点ビデオの集合から物理系を特徴付けるパラメータを同定することを目的とする。マルチビュービデオから高ダイナミックな物体の未知の幾何学的パラメータと物理的パラメータを推定するために,Physics Augmented Continuum Neural Radiance Fields (PAC-NeRF)を提案する。
論文参考訳（メタデータ） (2023-03-09T18:59:50Z)
Computing formation enthalpies through an explainable machine learning method: the case of Lanthanide Orthophosphates solid solutions [0.0]
本稿では、従来の機械学習手法の洗練された組み合わせを使って説明可能なモデルを得る提案について述べる。ランタニド系リン酸塩の固溶体形成のエンタルピーに対する新しい高精度な式を導出する手法の有効性を実証する。
論文参考訳（メタデータ） (2023-03-07T09:14:16Z)
Data-driven anisotropic finite viscoelasticity using neural ordinary differential equations [0.0]
本研究では, ニューラル常微分方程式をビルディングブロックとして用いた, 異方性有限粘弾性の完全なデータ駆動モデルを構築した。我々は、ヘルムホルツ自由エネルギー関数と散逸ポテンシャルを、物理に基づく制約を満たすデータ駆動関数に置き換える。本モデルは,脳組織,血液凝固物,天然ゴム,ヒト心筋などの生体および合成材料のストレス-ひずみデータを用いて訓練する。
論文参考訳（メタデータ） (2023-01-11T17:03:46Z)
Unsupervised Discovery of Inertial-Fusion Plasma Physics using Differentiable Kinetic Simulations and a Maximum Entropy Loss Function [77.34726150561087]
プラズマ運動学3次元偏微分方程式の微分可能解法を作成し, 領域固有の目的関数を導入する。我々はこの枠組みを慣性融合に関する構成に適用し、最適化プロセスが新しい物理効果を利用することを示す。
論文参考訳（メタデータ） (2022-06-03T15:27:33Z)
Neural Implicit Representations for Physical Parameter Inference from a Single Video [49.766574469284485]
本稿では,外見モデルのためのニューラル暗黙表現と,物理現象をモデル化するためのニューラル常微分方程式(ODE)を組み合わせることを提案する。提案モデルでは,大規模なトレーニングデータセットを必要とする既存のアプローチとは対照的に,単一のビデオから物理的パラメータを識別することが可能になる。ニューラル暗示表現を使用することで、高解像度ビデオの処理とフォトリアリスティック画像の合成が可能になる。
論文参考訳（メタデータ） (2022-04-29T11:55:35Z)
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)
Automatically Polyconvex Strain Energy Functions using Neural Ordinary Differential Equations [0.0]
深層ニューラルネットワークは、フォーム近似の制約なしに複雑な物質を学習することができる。 N-ODE材料モデルは、クローズドフォーム材料モデルから生成された合成データをキャプチャすることができる。フレームワークは、大きな種類の材料をモデル化するのに使用できます。
論文参考訳（メタデータ） (2021-10-03T13:11:43Z)
gradSim: Differentiable simulation for system identification and visuomotor control [66.37288629125996]
本稿では,微分可能マルチフィジカルシミュレーションと微分可能レンダリングを活用し,3次元監督への依存を克服するフレームワークであるgradsimを提案する。当社の統合グラフは、状態ベースの(3D)監督に頼ることなく、挑戦的なバイスモメータ制御タスクで学習を可能にします。
論文参考訳（メタデータ） (2021-04-06T16:32:01Z)
Meshless physics-informed deep learning method for three-dimensional solid mechanics [0.0]
深層学習とコロケーション法は統合され、構造の変形を記述する偏微分方程式を解くために用いられる。我々は, 線形弾性, 変形が大きい過弾性(ネオ・フーカン), 等方的およびキネマティック硬化を有するフォン・ミーゼス塑性の2種類の材料について検討した。
論文参考訳（メタデータ） (2020-12-02T21:40:37Z)
Augmenting Physical Models with Deep Networks for Complex Dynamics Forecasting [34.61959169976758]
APHYNITYは、深層データ駆動モデルを持つ微分方程式によって記述された不完全な物理力学を増大させる原理的なアプローチである。これは、動的を2つのコンポーネントに分解することで構成されます。物理コンポーネントは、事前の知識を持つダイナミクスを、データ駆動コンポーネントは、物理モデルのエラーを説明します。
論文参考訳（メタデータ） (2020-10-09T09:31:03Z)

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。