論文の概要: A Neural Network-enhanced Reproducing Kernel Particle Method for
Modeling Strain Localization
- arxiv url: http://arxiv.org/abs/2204.13821v1
- Date: Thu, 28 Apr 2022 23:59:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-02 15:01:20.711580
- Title: A Neural Network-enhanced Reproducing Kernel Particle Method for
Modeling Strain Localization
- Title（参考訳）: 歪定位をモデル化するニューラルネットワークを用いた再生カーネル粒子法
- Authors: Jonghyuk Baek, Jiun-Shyan Chen, Kristen Susuki
- Abstract要約: 本研究では,ニューラルネットワークを用いた再生カーネル粒子法(NN-RKPM)を提案する。
局所化近傍の溶液転移の位置、配向、形状は、NN近似によって自動的にキャプチャされる。
NN-RKPMの有効性を数値検証により検証した。
- 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: Modeling the localized intensive deformation in a damaged solid requires
highly refined discretization for accurate prediction, which significantly
increases the computational cost. Although adaptive model refinement can be
employed for enhanced effectiveness, it is cumbersome for the traditional
mesh-based methods to perform while modeling the evolving localizations. In
this work, neural network-enhanced reproducing kernel particle method (NN-RKPM)
is proposed, where the location, orientation, and shape of the solution
transition near a localization is automatically captured by the NN
approximation via a block-level neural network optimization. The weights and
biases in the blocked parametrization network control the location and
orientation of the localization. The designed basic four-kernel NN block is
capable of capturing a triple junction or a quadruple junction topological
pattern, while more complicated localization topological patters are captured
by the superposition of multiple four-kernel NN blocks. The standard RK
approximation is then utilized to approximate the smooth part of the solution,
which permits a much coarser discretization than the high-resolution
discretization needed to capture sharp solution transitions with the
conventional methods. A regularization of the neural network approximation is
additionally introduced for discretization-independent material responses. The
effectiveness of the proposed NN-RKPM is verified by a series of numerical
verifications.
- Abstract（参考訳）: 損傷した固体の局所的な集中変形をモデル化するには、高精度な予測のための高精度な離散化が必要である。
適応型モデルの改良は有効性を高めるために利用できるが、進化するローカライゼーションをモデル化しながら従来のメッシュベースの手法を実行するのは困難である。
本研究では, 局所化近傍の溶液転移の位置, 配向, 形状を, ブロックレベルのニューラルネットワーク最適化によりNN近似によって自動的に把握する, ニューラルネットワーク強化再生カーネル粒子法(NN-RKPM)を提案する。
ブロックされたパラメトリゼーションネットワークの重みとバイアスは、局所化の位置と向きを制御する。
設計された基本4カネルnnブロックは、三重結合または四重結合位相パターンをキャプチャできるが、より複雑な局在位相パターは複数の4ケネルnnブロックの重ね合わせによってキャプチャされる。
標準的なRK近似を用いて解の滑らかな部分を近似し、従来の方法での鋭い解転移を捉えるのに必要な高分解能の離散化よりもずっと粗い離散化を可能にする。
離散化非依存的な材料応答に対して、ニューラルネットワーク近似の正規化が導入された。
NN-RKPMの有効性を数値検証により検証した。
関連論文リスト
- Residual resampling-based physics-informed neural network for neutron diffusion equations [7.105073499157097]
中性子拡散方程式は原子炉の解析において重要な役割を果たす。
従来のPINNアプローチでは、完全に接続されたネットワーク(FCN)アーキテクチャを利用することが多い。
R2-PINNは、現在の方法に固有の制限を効果的に克服し、中性子拡散方程式のより正確で堅牢な解を提供する。
論文 参考訳（メタデータ） (2024-06-23T13:49:31Z) - N-Adaptive Ritz Method: A Neural Network Enriched Partition of Unity for
Boundary Value Problems [1.2200609701777907]
本研究は,ニューラルネットワークによる境界値問題を解決するために,ニューラルネットワークに富んだユニティ分割(NN-PU)アプローチを導入する。
NNエンリッチメントは、事前訓練された特徴符号化NNブロックと未訓練NNブロックを組み合わせることで構成される。
提案手法は,従来のメッシュ法に比べて計算コストを低減しつつ,正確な解を提供する。
論文 参考訳（メタデータ） (2024-01-16T18:11:14Z) - A Neural Network-Based Enrichment of Reproducing Kernel Approximation
for Modeling Brittle Fracture [0.0]
脆性破壊をモデル化するためのニューラルネットワーク強化再生カーネル粒子法(NN-RKPM)の改良版を提案する。
提案手法の有効性は,損傷伝播と分岐を含む一連の数値例によって実証された。
論文 参考訳（メタデータ） (2023-07-04T21:52:09Z) - Gradient Descent in Neural Networks as Sequential Learning in RKBS [63.011641517977644]
初期重みの有限近傍にニューラルネットワークの正確な電力系列表現を構築する。
幅にかかわらず、勾配降下によって生成されたトレーニングシーケンスは、正規化された逐次学習によって正確に複製可能であることを証明した。
論文 参考訳（メタデータ） (2023-02-01T03:18:07Z) - Orthogonal Stochastic Configuration Networks with Adaptive Construction
Parameter for Data Analytics [6.940097162264939]
ランダム性により、SCNは冗長で品質の低い近似線形相関ノードを生成する可能性が高まる。
機械学習の基本原理、すなわち、パラメータが少ないモデルでは、一般化が向上する。
本稿では,ネットワーク構造低減のために,低品質な隠れノードをフィルタする直交SCN(OSCN)を提案する。
論文 参考訳（メタデータ） (2022-05-26T07:07:26Z) - De-homogenization using Convolutional Neural Networks [1.0323063834827415]
本稿では,構造コンプライアンス最小化のための深層学習に基づく非均質化手法を提案する。
パラメータの適切な選択のために、非均質化設計は、均質化に基づく解の7-25%以内で実行される。
論文 参考訳（メタデータ） (2021-05-10T09:50:06Z) - LocalDrop: A Hybrid Regularization for Deep Neural Networks [98.30782118441158]
本稿では,ローカルラデマチャー複雑性を用いたニューラルネットワークの正規化のための新しい手法であるLocalDropを提案する。
フルコネクテッドネットワーク(FCN)と畳み込みニューラルネットワーク(CNN)の両方のための新しい正規化機能は、ローカルラデマチャー複雑さの上限提案に基づいて開発されました。
論文 参考訳（メタデータ） (2021-03-01T03:10:11Z) - Optimizing Mode Connectivity via Neuron Alignment [84.26606622400423]
経験的に、損失関数の局所ミニマは、損失がほぼ一定であるようなモデル空間の学習曲線で接続することができる。
本稿では,ネットワークの重み変化を考慮し,対称性がランドスケープ・コネクティビティに与える影響を明らかにするための,より一般的な枠組みを提案する。
論文 参考訳（メタデータ） (2020-09-05T02:25:23Z) - Modeling from Features: a Mean-field Framework for Over-parameterized
Deep Neural Networks [54.27962244835622]
本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。
このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。
本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
論文 参考訳（メタデータ） (2020-07-03T01:37:16Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳（メタデータ） (2020-07-02T17:55:47Z) - Optimal Rates for Averaged Stochastic Gradient Descent under Neural
Tangent Kernel Regime [50.510421854168065]
平均勾配勾配勾配は極小収束率が得られることを示す。
本稿では、ReLUネットワークのNTKで指定されたターゲット関数を最適収束速度で学習できることを示す。
論文 参考訳（メタデータ） (2020-06-22T14:31:37Z)
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。