論文の概要: Learning Deep Implicit Fourier Neural Operators (IFNOs) with
Applications to Heterogeneous Material Modeling
- arxiv url: http://arxiv.org/abs/2203.08205v1
- Date: Tue, 15 Mar 2022 19:08:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2022-03-17 16:04:30.250380
- Title: Learning Deep Implicit Fourier Neural Operators (IFNOs) with
Applications to Heterogeneous Material Modeling
- Title（参考訳）: 深入射フーリエニューラル演算子(IFNO)の学習と異種材料モデリングへの応用
- Authors: Huaiqian You, Quinn Zhang, Colton J. Ross, Chung-Hao Lee, Yue Yu
- Abstract要約: 本稿では,従来のモデルを用いることなく,データ駆動モデルを用いて素材の応答を予測することを提案する。
材料応答は、負荷条件と結果の変位および/または損傷場の暗黙のマッピングを学習することによってモデル化される。
本稿では,超弾性材料,異方性材料,脆性材料など,いくつかの例について提案手法の性能を実証する。
- 参考スコア（独自算出の注目度）: 3.9181541460605116
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Constitutive modeling based on continuum mechanics theory has been a
classical approach for modeling the mechanical responses of materials. However,
when constitutive laws are unknown or when defects and/or high degrees of
heterogeneity are present, these classical models may become inaccurate. In
this work, we propose to use data-driven modeling, which directly utilizes
high-fidelity simulation and/or experimental measurements to predict a
material's response without using conventional constitutive models.
Specifically, the material response is modeled by learning the implicit
mappings between loading conditions and the resultant displacement and/or
damage fields, with the neural network serving as a surrogate for a solution
operator. To model the complex responses due to material heterogeneity and
defects, we develop a novel deep neural operator architecture, which we coin as
the Implicit Fourier Neural Operator (IFNO). In the IFNO, the increment between
layers is modeled as an integral operator to capture the long-range
dependencies in the feature space. As the network gets deeper, the limit of
IFNO becomes a fixed point equation that yields an implicit neural operator and
naturally mimics the displacement/damage fields solving procedure in material
modeling problems. We demonstrate the performance of our proposed method for a
number of examples, including hyperelastic, anisotropic and brittle materials.
As an application, we further employ the proposed approach to learn the
material models directly from digital image correlation (DIC) tracking
measurements, and show that the learned solution operators substantially
outperform the conventional constitutive models in predicting displacement
fields.
- Abstract（参考訳）: 連続体力学理論に基づく構成的モデリングは、材料の力学的応答をモデル化する古典的なアプローチである。
しかし、構成法則が未知である場合、あるいは欠陥や不均一性が高い場合、これらの古典的モデルが不正確になる可能性がある。
本研究では, 従来の構成モデルを用いることなく, 高忠実度シミュレーションや実験測定を直接利用して材料応答を予測するデータ駆動モデリングを提案する。
特に、材料応答は、負荷条件と結果の変位および/または損傷場の間の暗黙的なマッピングを学習し、ニューラルネットワークが解演算子のサロゲートとなるようにモデル化される。
物質的不均一性と欠陥による複雑な応答をモデル化するため,我々は,インプリシティ・フーリエ・ニューラル・オペレーター(IFNO)と呼ばれる新しいディープ・ニューラル・オペレーター・アーキテクチャを開発した。
IFNOでは、レイヤ間のインクリメントは、機能空間における長距離依存関係をキャプチャする統合演算子としてモデル化される。
ネットワークが深まるにつれて、IFNOの極限は固定点方程式となり、暗黙のニューラル演算子となり、物質モデリング問題における変位/損傷フィールド解決手順を自然に模倣する。
本研究では, 超弾性材料, 異方性材料, 脆性材料など, 提案手法の性能を示す。
提案手法は,デジタル画像相関(dic)追跡測定から直接材料モデルを学習する手法を応用し,変位場予測において,学習した解演算子が従来の構成モデルを大きく上回ることを示す。
関連論文リスト
- No Equations Needed: Learning System Dynamics Without Relying on Closed-Form ODEs [56.78271181959529]
本稿では,従来の2段階モデリングプロセスから離れることで,低次元力学系をモデル化する概念シフトを提案する。
最初に閉形式方程式を発見して解析する代わりに、我々のアプローチ、直接意味モデリングは力学系の意味表現を予測する。
私たちのアプローチは、モデリングパイプラインを単純化するだけでなく、結果のモデルの透明性と柔軟性も向上します。
論文 参考訳（メタデータ） (2025-01-30T18:36:48Z) - DimOL: Dimensional Awareness as A New 'Dimension' in Operator Learning [63.5925701087252]
本稿では,DimOL(Dimension-aware Operator Learning)を紹介し,次元解析から洞察を得る。
DimOLを実装するために,FNOおよびTransformerベースのPDEソルバにシームレスに統合可能なProdLayerを提案する。
経験的に、DimOLモデルはPDEデータセット内で最大48%のパフォーマンス向上を達成する。
論文 参考訳（メタデータ） (2024-10-08T10:48:50Z) - Peridynamic Neural Operators: A Data-Driven Nonlocal Constitutive Model
for Complex Material Responses [12.454290779121383]
本研究では,データから非局所法則を学習するPNO(Peridynamic Neural Operator)と呼ばれる新しいニューラルネットワークアーキテクチャを提案する。
このニューラル作用素は、客観性と運動量バランス法則が自動的に保証される状態ベースペリダイナミックスという形でフォワードモデルを提供する。
複雑な応答をキャプチャする能力により、学習したニューラル演算子はベースラインモデルと比較して精度と効率が向上することを示した。
論文 参考訳（メタデータ） (2024-01-11T17:37:20Z) - 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) - Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。
ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
論文 参考訳（メタデータ） (2023-09-27T00:12:07Z) - FAENet: Frame Averaging Equivariant GNN for Materials Modeling [123.19473575281357]
データ変換による任意のモデルE(3)-同変や不変化を実現するために,フレームアラグリング(SFA)に依存したフレキシブルなフレームワークを導入する。
本手法の有効性を理論的および実験的に証明し, 材料モデリングにおける精度と計算スケーラビリティを実証する。
論文 参考訳（メタデータ） (2023-04-28T21:48:31Z) - Learning solution of nonlinear constitutive material models using
physics-informed neural networks: COMM-PINN [0.0]
非線形, 経路依存的な物質挙動の関係を解くために, 物理インフォームドニューラルネットワークを適用した。
この研究の利点の1つは、複雑な物質モデルにおける非線形方程式を解くのに必要な反復ニュートン反復をバイパスすることである。
論文 参考訳（メタデータ） (2023-04-10T19:58:49Z) - 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) - Neural Abstractions [72.42530499990028]
本稿では,ニューラルネットワークを用いた非線形力学モデルの安全性検証手法を提案する。
提案手法は,既存のベンチマーク非線形モデルにおいて,成熟度の高いFlow*と同等に動作することを示す。
論文 参考訳（メタデータ） (2023-01-27T12:38:09Z) - A Physics-Guided Neural Operator Learning Approach to Model Biological
Tissues from Digital Image Correlation Measurements [3.65211252467094]
本稿では, 生体組織モデリングにおけるデータ駆動型相関について述べる。これは, 未知の負荷シナリオ下でのデジタル画像相関(DIC)測定に基づいて変位場を予測することを目的としている。
ブタ三尖弁リーフレット上の多軸延伸プロトコルのDIC変位追跡測定から材料データベースを構築した。
材料応答は、負荷から結果の変位場への解演算子としてモデル化され、材料特性はデータから暗黙的に学習され、自然にネットワークパラメータに埋め込まれる。
論文 参考訳（メタデータ） (2022-04-01T04:56:41Z) - 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) - A data-driven peridynamic continuum model for upscaling molecular
dynamics [3.1196544696082613]
分子動力学データから最適線形ペリダイナミックソリッドモデルを抽出する学習フレームワークを提案する。
我々は,符号変化の影響関数を持つ離散化LPSモデルに対して,十分な適切な正当性条件を提供する。
このフレームワークは、結果のモデルが数学的に適切であり、物理的に一貫したものであり、トレーニング中に使用するものと異なる設定によく当てはまることを保証します。
論文 参考訳（メタデータ） (2021-08-04T07:07:47Z)
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。