論文の概要: Calibrating constitutive models with full-field data via physics informed neural networks

• arxiv url: http://arxiv.org/abs/2203.16577v1
• Date: Wed, 30 Mar 2022 18:07:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-02 12:52:12.158089
• Title: Calibrating constitutive models with full-field data via physics informed neural networks
• Title（参考訳）: 物理情報ニューラルネットワークによる全フィールドデータによる構成モデルの校正
• Authors: Craig M. Hamel and Kevin N. Long and Sharlotte L.B. Kramer
• Abstract要約: 実フィールド変位データに基づくモデルパラメータ化の発見のための物理インフォームド深層学習フレームワークを提案する。 我々は、ニューラルネットワークの予測に物理的な制約を課すために、強い形式ではなく、支配方程式の弱い形式で作業する。 我々は、インフォメーション機械学習が実現可能な技術であり、モデルのキャリブレーションにフルフィールド実験データをどのように利用するかというパラダイムを変える可能性があることを実証した。
• 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 calibration of solid constitutive models with full-field experimental data is a long-standing challenge, especially in materials which undergo large deformation. In this paper, we propose a physics-informed deep-learning framework for the discovery of constitutive model parameterizations given full-field displacement data and global force-displacement data. Contrary to the majority of recent literature in this field, we work with the weak form of the governing equations rather than the strong form to impose physical constraints upon the neural network predictions. The approach presented in this paper is computationally efficient, suitable for irregular geometric domains, and readily ingests displacement data without the need for interpolation onto a computational grid. A selection of canonical hyperelastic materials models suitable for different material classes is considered including the Neo-Hookean, Gent, and Blatz-Ko constitutive models as exemplars for general hyperelastic behavior, polymer behavior with lock-up, and compressible foam behavior respectively. We demonstrate that physics informed machine learning is an enabling technology and may shift the paradigm of how full-field experimental data is utilized to calibrate constitutive models under finite deformations.
• Abstract（参考訳）: 固体構成モデルのフルフィールド実験データによるキャリブレーションは、特に大きな変形を受ける材料において長年の課題である。 本論文では,全フィールド変位データと大域的力変位データから構成的モデルパラメータ化を求める物理インフォームド深層学習フレームワークを提案する。 この分野の最近の文献の多くとは対照的に、我々はニューラルネットワークの予測に物理的な制約を課す強い形式ではなく、支配方程式の弱い形式を扱う。 提案手法は計算効率が高く,不規則な幾何学的領域に適しており,計算格子への補間を必要とせずに容易に変位データを取り込みやすい。 汎用超弾性挙動, ロックアップによるポリマー挙動, 圧縮性発泡挙動などとして, ネオホオケアン, ジェント, ブラッツコ構成モデルなど, 異なる材料クラスに適した標準超弾性材料モデルの選択を検討した。 我々は、物理情報機械学習が実現可能な技術であり、有限変形下で構成モデルの校正にフルフィールド実験データをどのように利用するかというパラダイムをシフトできることを示した。

関連論文リスト

• Hybrid data-driven and physics-informed regularized learning of cyclic plasticity with Neural Networks [0.0]
  提案したモデルアーキテクチャは、既存の文献のソリューションに比べてシンプルで効率的である。 この手法の検証はアームストロング・フレデリックのキネマティック・ハードニング・モデルを用いて得られたサロゲートデータを用いて行う。
  論文  参考訳（メタデータ） (2024-03-04T07:09:54Z)
• 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)
• 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)
• Modular machine learning-based elastoplasticity: generalization in the context of limited data [0.0]
  エラスト塑性の定式化のモジュラリティに頼って,データの変動量に対処できるハイブリッドフレームワークについて論じる。 発見された物質モデルは、よく補間できるだけでなく、トレーニングデータの領域外から熱力学的に一貫した方法で正確な外挿を可能にする。
  論文  参考訳（メタデータ） (2022-10-15T17:35:23Z)
• Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
  グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。 物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。 本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
  論文  参考訳（メタデータ） (2022-10-13T10:00:30Z)
• 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)
• Equivariant vector field network for many-body system modeling [65.22203086172019]
  Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。 シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
  論文  参考訳（メタデータ） (2021-10-26T14:26:25Z)
• 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)
• Polyconvex anisotropic hyperelasticity with neural networks [1.7616042687330642]
  有限変形に対する凸機械学習に基づくモデルを提案する。 モデルは立方体格子メタマテリアルの非常に困難なシミュレーションデータで校正される。 データアプローチのデータは、機械的な考慮に基づいており、追加の実験やシミュレーション機能を必要としない。
  論文  参考訳（メタデータ） (2021-06-20T15:33:31Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Gradient-Based Training and Pruning of Radial Basis Function Networks with an Application in Materials Physics [0.24792948967354234]
  本稿では,高速かつスケーラブルなオープンソース実装による放射状基底関数ネットワークのトレーニング手法を提案する。 連立データと連立データのモデル解析のための新しいクローズドフォーム最適化基準を導出する。
  論文  参考訳（メタデータ） (2020-04-06T11:32:37Z)

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。