論文の概要: A physics-informed deep neural network for surrogate modeling in
classical elasto-plasticity
- arxiv url: http://arxiv.org/abs/2204.12088v1
- Date: Tue, 26 Apr 2022 05:58:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-27 20:48:21.260532
- Title: A physics-informed deep neural network for surrogate modeling in
classical elasto-plasticity
- Title（参考訳）: 古典弾塑性におけるサロゲートモデリングのための物理インフォームド深層ニューラルネットワーク
- Authors: Mahdad Eghbalian, Mehdi Pouragha, Richard Wan
- Abstract要約: 本稿では,古典的弾塑性関係を効率的に近似するディープニューラルネットワークアーキテクチャを提案する。
このネットワークは、弾性および塑性部分へのひずみの付加的な分解を含む古典的エラスト塑性の重要な物理的な側面に富んでいる。
ニューラルネットワークのアーキテクチャにこれらの物理を組み込むことで、トレーニングデータの少ないネットワークのより効率的なトレーニングが可能になることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we present a deep neural network architecture that can
efficiently approximate classical elasto-plastic constitutive relations. The
network is enriched with crucial physics aspects of classical
elasto-plasticity, including additive decomposition of strains into elastic and
plastic parts, and nonlinear incremental elasticity. This leads to a
Physics-Informed Neural Network (PINN) surrogate model named here as
Elasto-Plastic Neural Network (EPNN). Detailed analyses show that embedding
these physics into the architecture of the neural network facilitates a more
efficient training of the network with less training data, while also enhancing
the extrapolation capability for loading regimes outside the training data. The
architecture of EPNN is model and material-independent, i.e. it can be adapted
to a wide range of elasto-plastic material types, including geomaterials and
metals; and experimental data can potentially be directly used in training the
network. To demonstrate the robustness of the proposed architecture, we adapt
its general framework to the elasto-plastic behavior of sands. We use synthetic
data generated from material point simulations based on a relatively advanced
dilatancy-based constitutive model for granular materials to train the neural
network. The superiority of EPNN over regular neural network architectures is
explored through predicting unseen strain-controlled loading paths for sands
with different initial densities.
- Abstract（参考訳）: 本研究では,古典的弾塑性構成関係を効率的に近似するディープニューラルネットワークアーキテクチャを提案する。
このネットワークは、弾性および塑性部分へのひずみの付加的な分解、非線形的な漸進弾性を含む古典的エラスト塑性の重要な物理面に富んでいる。
これは、Elasto-Plastic Neural Network (EPNN)という名前の物理情報ニューラルネットワーク(PINN)サロゲートモデルにつながる。
詳細な分析により、これらの物理をニューラルネットワークのアーキテクチャに組み込むことで、トレーニングデータが少ないネットワークのより効率的なトレーニングが容易になると同時に、トレーニングデータ外にレジームをロードするための外挿能力も向上することが示された。
EPNNのアーキテクチャはモデルであり、物質に依存しない、すなわち、地球材料や金属を含む幅広い弾塑性材料に適応することができる。
提案アーキテクチャのロバスト性を示すため,砂の弾塑性挙動に一般の枠組みを適用した。
ニューラルネットワークのトレーニングには,比較的高度なディラテンシーベース構成モデルに基づく材料点シミュレーションから生成された合成データを用いている。
ニューラルネットワークアーキテクチャにおけるepnnの優位性を,初期密度の異なる砂のひずみ制御負荷経路の予測により検討した。
関連論文リスト
- Accounting for plasticity: An extension of inelastic Constitutive Artificial Neural Networks [0.0]
塑性の非弾性現象に対するiCANNの拡張と応用について述べる。
我々は4つのフィードフォワードネットワークとリカレントニューラルネットワークを併用して学習し、第2のPiola-Kirchhoffストレス測定をトレーニングに用いた。
負荷ケースの増加に対して,極めて正確な合意が得られながら,1つの負荷ケースでのトレーニングにすでに満足な結果が得られた。
論文 参考訳（メタデータ） (2024-07-27T19:19:42Z) - ElastoGen: 4D Generative Elastodynamics [59.20029207991106]
ElastoGenは知識駆動型AIモデルで、物理的に正確な4Dエラストダイナミックスを生成する。
ElastoGenは実際の物理的手順と整合しているため、幅広い超弾性材料の正確な力学を効率的に生成する。
論文 参考訳（メタデータ） (2024-05-23T21:09:36Z) - Physics-Informed Neural Networks with Hard Linear Equality Constraints [9.101849365688905]
本研究は,線形等式制約を厳格に保証する物理インフォームドニューラルネットワークKKT-hPINNを提案する。
溶融タンク炉ユニット, 抽出蒸留サブシステム, 化学プラントのアスペンモデル実験により, このモデルが予測精度をさらに高めることを示した。
論文 参考訳（メタデータ） (2024-02-11T17:40:26Z) - SpikingJelly: An open-source machine learning infrastructure platform
for spike-based intelligence [51.6943465041708]
スパイキングニューラルネットワーク(SNN)は、高エネルギー効率のニューロモルフィックチップに脳にインスパイアされたインテリジェンスを実現することを目的としている。
我々は、ニューロモルフィックデータセットの事前処理、深層SNNの構築、パラメータの最適化、およびニューロモルフィックチップへのSNNのデプロイのためのフルスタックツールキットをコントリビュートする。
論文 参考訳（メタデータ） (2023-10-25T13:15:17Z) - A new family of Constitutive Artificial Neural Networks towards
automated model discovery [0.0]
ニューラルネットワークは、基礎となる物理の知識を必要とせずに、大きなデータから関数関係を学習できる強力な近似器である。
本稿では,ユーザ定義モデル選択から自動モデル発見へのパラダイムシフトの可能性を示す。
論文 参考訳（メタデータ） (2022-09-15T18:33:37Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳（メタデータ） (2022-02-21T18:59:03Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳（メタデータ） (2020-06-16T18:45:20Z) - Hyperbolic Neural Networks++ [66.16106727715061]
ニューラルネットワークの基本成分を1つの双曲幾何モデル、すなわちポアンカーの球モデルで一般化する。
実験により, 従来の双曲成分と比較してパラメータ効率が優れ, ユークリッド成分よりも安定性と性能が優れていた。
論文 参考訳（メタデータ） (2020-06-15T08:23:20Z) - Thermodynamics-based Artificial Neural Networks for constitutive
modeling [0.0]
本稿では,物質点レベルでのひずみ速度独立過程のモデリングのための,データ駆動型物理ベースニューラルネットワークの新たなクラスを提案する。
熱力学の2つの基本原理は、自動微分を利用してネットワークのアーキテクチャに符号化される。
本研究では, 伸縮硬化および軟化ひずみを有するエラスト塑性材料をモデル化するためのTANNの広範囲な適用性を示す。
論文 参考訳（メタデータ） (2020-05-25T15:56:34Z) - Flexible Transmitter Network [84.90891046882213]
現在のニューラルネットワークはMPモデルに基づいて構築されており、通常はニューロンを他のニューロンから受信した信号の実際の重み付け集約上での活性化関数の実行として定式化する。
本稿では,フレキシブル・トランスミッタ(FT)モデルを提案する。
本稿では、最も一般的な完全接続型フィードフォワードアーキテクチャ上に構築された、フレキシブルトランスミッタネットワーク(FTNet)について述べる。
論文 参考訳（メタデータ） (2020-04-08T06:55:12Z) - A deep learning framework for solution and discovery in solid mechanics [1.4699455652461721]
本稿では,物理情報ニューラルネットワーク(PINN)と呼ばれるディープラーニングのクラスを,固体力学の学習と発見に応用する。
本稿では, 運動量バランスと弾性の関係をPINNに組み込む方法について解説し, 線形弾性への応用について詳細に検討する。
論文 参考訳（メタデータ） (2020-02-14T08:24:53Z)
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。