論文の概要: Model Calibration of the Liquid Mercury Spallation Target using
Evolutionary Neural Networks and Sparse Polynomial Expansions
- arxiv url: http://arxiv.org/abs/2202.09353v1
- Date: Fri, 18 Feb 2022 18:47:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-21 15:20:32.702896
- Title: Model Calibration of the Liquid Mercury Spallation Target using
Evolutionary Neural Networks and Sparse Polynomial Expansions
- Title(参考訳): 進化型ニューラルネットワークとスパース多項式展開を用いた液体水銀スポーレーションターゲットのモデル校正
- Authors: Majdi I. Radaideh, Hoang Tran, Lianshan Lin, Hao Jiang, Drew Winder,
Sarma Gorti, Guannan Zhang, Justin Mach, Sarah Cousineau
- Abstract要約: 本稿では,進化的ニューラルネットワークとスパース展開を用いた高価なシミュレーションの代理モデルキャリブレーションの2つの手法を提案する。
提案したシミュレーションは, 水銀の寿命と完全性を推定するために, 疲労解析に大いに役立てることができる。
しかし、この研究の重要な結論は、スペール化反応の完全な物理を捉える際の状態方程式に基づく現在のモデルに欠けていることを指摘している。
- 参考スコア(独自算出の注目度): 4.3634848427203945
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The mercury constitutive model predicting the strain and stress in the target
vessel plays a central role in improving the lifetime prediction and future
target designs of the mercury targets at the Spallation Neutron Source (SNS).
We leverage the experiment strain data collected over multiple years to improve
the mercury constitutive model through a combination of large-scale simulations
of the target behavior and the use of machine learning tools for parameter
estimation. We present two interdisciplinary approaches for surrogate-based
model calibration of expensive simulations using evolutionary neural networks
and sparse polynomial expansions. The experiments and results of the two
methods show a very good agreement for the solid mechanics simulation of the
mercury spallation target. The proposed methods are used to calibrate the
tensile cutoff threshold, mercury density, and mercury speed of sound during
intense proton pulse experiments. Using strain experimental data from the
mercury target sensors, the newly calibrated simulations achieve 7\% average
improvement on the signal prediction accuracy and 8\% reduction in mean
absolute error compared to previously reported reference parameters, with some
sensors experiencing up to 30\% improvement. The proposed calibrated
simulations can significantly aid in fatigue analysis to estimate the mercury
target lifetime and integrity, which reduces abrupt target failure and saves a
tremendous amount of costs. However, an important conclusion from this work
points out to a deficiency in the current constitutive model based on the
equation of state in capturing the full physics of the spallation reaction.
Given that some of the calibrated parameters that show a good agreement with
the experimental data can be nonphysical mercury properties, we need a more
advanced two-phase flow model to capture bubble dynamics and mercury
cavitation.
- Abstract(参考訳): ターゲット容器内のひずみと応力を予測する水銀構成モデルは、スパレーション中性子源(sns)における水銀ターゲットの寿命予測と将来の目標設計を改善する上で中心的な役割を果たす。
目的行動の大規模シミュレーションとパラメータ推定に機械学習ツールを併用して, 水銀構成モデルを改善するために, 数年にわたって収集された実験ひずみデータを活用する。
進化的ニューラルネットワークとスパース多項式展開を用いた高価なシミュレーションの代理モデルキャリブレーションのための2つの学際的アプローチを提案する。
この2つの手法の実験と結果から,水銀分散ターゲットの固体力学シミュレーションに非常によい一致を示した。
提案手法は, 強い陽子パルス実験中の音の引張遮断閾値, 水銀密度, 水銀速度を校正するために用いられる。
水銀ターゲットセンサからのひずみ実験データを用いて, 新たに校正したシミュレーションにより, 信号予測精度の7-%, 平均絶対誤差の8-%を, 従来報告した基準パラメータと比較し, 最大30-%改善した。
提案したキャリブレーションシミュレーションは, 水銀の寿命と完全性を推定するために疲労解析を著しく支援し, 急激なターゲット故障を低減し, 膨大なコストを削減できる。
しかし、この研究の重要な結論は、スペール化反応の完全な物理を捉える際の状態方程式に基づく現在の構成モデルに欠けていることを指摘している。
実験データとの良好な一致を示すパラメータのいくつかが非物理的水銀の性質であることを考えると、気泡力学と水銀キャビテーションを捉えるためにより高度な二相流モデルが必要である。
関連論文リスト
- Elucidating microstructural influences on fatigue behavior for additively manufactured Hastelloy X using Bayesian-calibrated crystal plasticity model [0.0]
結晶塑性モデリング(CPモデリング)は材料の機械的挙動を予測する重要なツールである。
本稿では,疲労負荷条件下での最適CPモデルパラメータの同定に最適化(BO)を用いる頑健な手法を提案する。
論文 参考訳(メタデータ) (2024-12-06T15:46:37Z) - UQ of 2D Slab Burner DNS: Surrogates, Uncertainty Propagation, and Parameter Calibration [36.136619420474766]
本稿では、2次元スラブバーナ直接数値シミュレーション(DNS)のような複雑な物理シミュレーションにおける完全不確実性定量化(UQ)解析の実行に関する課題と対処について述べる。
ガウス過程 (GP) と階層型マルチスケールサロゲート (HMS) の2つのサロゲートモデルを構築し, ラテンハイパーキューブサンプリングにより64個のシミュレーションをアンサンブルした。
解析の結果,サロゲートはスラブバーナーのすべての空間的位置を正確に予測していないことがわかった。
論文 参考訳(メタデータ) (2024-11-09T20:56:05Z) - Coupling Machine Learning Local Predictions with a Computational Fluid Dynamics Solver to Accelerate Transient Buoyant Plume Simulations [0.0]
本研究では,CFDと機械学習を組み合わせた多用途でスケーラブルなハイブリッド手法を提案する。
目的は、局所的な特徴を活用して、比較可能なシナリオにおける圧力場の時間的変化を予測することである。
圧力-速度結合過程を加速するために初期値として圧力推定を用いた。
論文 参考訳(メタデータ) (2024-09-11T10:38:30Z) - 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) - Qubit Dynamics beyond Lindblad: Non-Markovianity versus Rotating Wave
Approximation [0.0]
量子ビットと環境自由度の間の相互作用における微妙な効果は、徐々に関連性を持ち、実験的に見えるようになる。
これは特に、量子ビット演算において最もよく用いられる数値シミュレーションプラットフォームの基礎となる時間スケールの分離に適用される。
i)これらの時間スケール分離の違反を実験的に監視できる範囲と、(ii)どれが最も深刻で高精度な予測を行うことができるかという質問に光を当てた。
論文 参考訳(メタデータ) (2023-08-11T09:16:07Z) - 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) - Neural Importance Sampling for Rapid and Reliable Gravitational-Wave
Inference [59.040209568168436]
まず、ニューラルネットワークを用いてベイズ後部への高速な提案を行い、その基礎となる可能性と事前に基づいて重み付けを行う。
本発明は,(1)ネットワーク不正確性のない修正後部,(2)提案案の評価と故障事例の同定のための性能診断(サンプル効率),(3)ベイズ証拠の偏りのない推定を提供する。
LIGOとVirgoで観測された42個のブラックホールをSEOBNRv4PHMとIMRPhenomHMXP波形モデルで解析した。
論文 参考訳(メタデータ) (2022-10-11T18:00:02Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳(メタデータ) (2022-06-21T20:38:13Z) - Constructing Sub-scale Surrogate Model for Proppant Settling in Inclined
Fractures from Simulation Data with Multi-fidelity Neural Network [1.045294624175056]
傾斜流路における粒子沈降は, シェールガスの油圧破砕時に発生する重要な現象である。
そこで本研究では,MFNN(Multi-fidelity Neural Network)と呼ばれる新しい手法を提案し,その利用法について述べる。
この結果から,MFNN を用いたセッティングサロゲートの構築により,高忠実度データの必要性を低減し,計算コストを80%削減できることが示唆された。
これにより、貯水池でのプロパント沈降速度を迅速に予測する新しい経路が開かれる。
論文 参考訳(メタデータ) (2021-09-25T08:31:33Z) - Hybrid Physics and Deep Learning Model for Interpretable Vehicle State
Prediction [75.1213178617367]
深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。
ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。
その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
論文 参考訳(メタデータ) (2021-03-11T15:21:08Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z)
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。