論文の概要: Constitutive model characterization and discovery using physics-informed deep learning

• arxiv url: http://arxiv.org/abs/2203.09789v1
• Date: Fri, 18 Mar 2022 08:10:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-21 15:52:47.603711
• Title: Constitutive model characterization and discovery using physics-informed deep learning
• Title（参考訳）: 物理インフォームド深層学習による構成モデルの解析と発見
• Authors: Ehsan Haghighat, Sahar Abouali, Reza Vaziri
• Abstract要約: モデルの特徴と発見のための物理インフォームド・ラーニング・マシンに基づく新しい手法を提案する。 提案するフレームワークは,von Misesファミリーとは異なるデータセットを記述する基盤モデルを効率的に同定できることを実証する。
• 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: Classically, the mechanical response of materials is described through constitutive models, often in the form of constrained ordinary differential equations. These models have a very limited number of parameters, yet, they are extremely efficient in reproducing complex responses observed in experiments. Additionally, in their discretized form, they are computationally very efficient, often resulting in a simple algebraic relation, and therefore they have been extensively used within large-scale explicit and implicit finite element models. However, it is very challenging to formulate new constitutive models, particularly for materials with complex microstructures such as composites. A recent trend in constitutive modeling leverages complex neural network architectures to construct complex material responses where a constitutive model does not yet exist. Whilst very accurate, they suffer from two deficiencies. First, they are interpolation models and often do poorly in extrapolation. Second, due to their complex architecture and numerous parameters, they are inefficient to be used as a constitutive model within a large-scale finite element model. In this study, we propose a novel approach based on the physics-informed learning machines for the characterization and discovery of constitutive models. Unlike data-driven constitutive models, we leverage foundations of elastoplasticity theory as regularization terms in the total loss function to find parametric constitutive models that are also theoretically sound. We demonstrate that our proposed framework can efficiently identify the underlying constitutive model describing different datasets from the von Mises family.
• Abstract（参考訳）: 古典的には、材料の機械的応答は構成モデルによって記述され、しばしば制約付き常微分方程式の形で記述される。 これらのモデルは非常に限られたパラメータを持つが、実験で観察される複雑な応答を再現するのに非常に効率的である。 さらに、離散化された形式では、それらは計算的に非常に効率的であり、しばしば単純な代数的関係をもたらすため、大規模な明示的および暗黙的有限要素モデルで広く使われている。 しかし、特に複合材料のような複雑な構造を持つ材料に対して、新しい構成モデルを定式化するのは難しい。 構成モデルにおける最近のトレンドは、複雑なニューラルネットワークアーキテクチャを利用して、構成モデルがまだ存在しない複雑な材料応答を構築する。 非常に正確だが、2つの欠陥に苦しむ。 まず、それらは補間モデルであり、しばしば補間が不十分である。 第二に、複雑なアーキテクチャと多くのパラメータのため、大規模な有限要素モデルの中で構成モデルとして使用するには非効率である。 本研究では,構成モデルの特徴付けと発見のための物理形学習機に基づく新しい手法を提案する。 データ駆動構成モデルとは異なり、総損失関数の正規化項として弾塑性理論の基礎を活用し、理論的にも健全なパラメトリック構成モデルを見つける。 提案フレームワークは,von misesファミリから異なるデータセットを記述する基盤となる構成モデルを効率的に識別できることを実証する。

関連論文リスト

• On Least Square Estimation in Softmax Gating Mixture of Experts [78.3687645289918]
  決定論的MoEモデルに基づく最小二乗推定器(LSE)の性能について検討する。 我々は,多種多様な専門家関数の収束挙動を特徴付けるために,強い識別可能性という条件を確立する。 本研究は,専門家の選択に重要な意味を持つ。
  論文  参考訳（メタデータ） (2024-02-05T12:31:18Z)
• Scalable Diffusion for Materials Generation [99.71001883652211]
  我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。 UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。 材料の生成モデルを評価するための追加指標を提案する。
  論文  参考訳（メタデータ） (2023-10-18T15:49:39Z)
• 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)
• Extreme sparsification of physics-augmented neural networks for interpretable model discovery in mechanics [0.0]
  本稿では,L0$-regularizationのスムーズなバージョンを用いて,正規化された物理拡張ニューラルネットワークモデルを訓練することを提案する。 本手法は, 可圧縮・非圧縮熱力学, 降伏関数, 弾塑性の硬化モデルに対して, 解釈可能かつ信頼性の高いモデルが得られることを示す。
  論文  参考訳（メタデータ） (2023-10-05T16:28:58Z)
• Scientific Machine Learning for Modeling and Simulating Complex Fluids [0.0]
  レオロジー方程式は複雑な流体の内部応力と変形を関連づける。 データ駆動モデルは、高価な第一原理モデルに代わる、アクセス可能な代替手段を提供する。 複素流体の類似モデルの開発が遅れている。
  論文  参考訳（メタデータ） (2022-10-10T04:35:31Z)
• Learning Deep Implicit Fourier Neural Operators (IFNOs) with Applications to Heterogeneous Material Modeling [3.9181541460605116]
  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。
  論文  参考訳（メタデータ） (2022-03-15T19:08:13Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Thermodynamics-based Artificial Neural Networks (TANN) for multiscale modeling of materials with inelastic microstructure [0.0]
  マルチスケールの均質化手法は、非弾性材料のマクロ力学的挙動の信頼性と正確な予測を行うためにしばしば用いられる。 ディープラーニングに基づくデータ駆動型アプローチは、アドホックな法則や高速な数値手法に代わる、有望な代替手段として台頭している。 本稿では,非弾性・複雑な構造を持つ機械材料のモデリングのための熱力学に基づくニューラルネットワーク(TANN)を提案する。
  論文  参考訳（メタデータ） (2021-08-30T11:50:38Z)
• Model-agnostic multi-objective approach for the evolutionary discovery of mathematical models [55.41644538483948]
  現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。 合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
  論文  参考訳（メタデータ） (2021-07-07T11:17:09Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)

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。