論文の概要: Thermodynamically Consistent Machine-Learned Internal State Variable
Approach for Data-Driven Modeling of Path-Dependent Materials
- arxiv url: http://arxiv.org/abs/2205.00578v1
- Date: Sun, 1 May 2022 23:25:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-03 17:14:57.229142
- Title: Thermodynamically Consistent Machine-Learned Internal State Variable
Approach for Data-Driven Modeling of Path-Dependent Materials
- Title（参考訳）: 熱力学的に一貫性のある機械学習内部状態変数による経路依存材料のデータ駆動モデリング
- Authors: Xiaolong He, Jiun-Shyan Chen
- Abstract要約: ディープニューラルネットワークやリカレントニューラルネットワーク(RNN)などのデータ駆動機械学習モデルが,現実的な代替手段になりつつある。
本研究では,計測可能な材料に基づく経路依存材料に対する,機械学習型ロバスト性駆動型モデリング手法を提案する。
- 参考スコア（独自算出の注目度）: 0.76146285961466
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Characterization and modeling of path-dependent behaviors of complex
materials by phenomenological models remains challenging due to difficulties in
formulating mathematical expressions and internal state variables (ISVs)
governing path-dependent behaviors. Data-driven machine learning models, such
as deep neural networks and recurrent neural networks (RNNs), have become
viable alternatives. However, pure black-box data-driven models mapping inputs
to outputs without considering the underlying physics suffer from unstable and
inaccurate generalization performance. This study proposes a machine-learned
physics-informed data-driven constitutive modeling approach for path-dependent
materials based on the measurable material states. The proposed data-driven
constitutive model is designed with the consideration of universal
thermodynamics principles, where the ISVs essential to the material
path-dependency are inferred automatically from the hidden state of RNNs. The
RNN describing the evolution of the data-driven machine-learned ISVs follows
the thermodynamics second law. To enhance the robustness and accuracy of RNN
models, stochasticity is introduced to model training. The effects of the
number of RNN history steps, the internal state dimension, the model
complexity, and the strain increment on model performances have been
investigated. The effectiveness of the proposed method is evaluated by modeling
soil material behaviors under cyclic shear loading using experimental
stress-strain data.
- Abstract（参考訳）: 現象論的モデルによる複雑物質の経路依存挙動のキャラクタリゼーションとモデル化は、数学的表現の定式化の困難さや、経路依存挙動を管理する内部状態変数(ISV)により、依然として困難である。
ディープニューラルネットワークやリカレントニューラルネットワーク(RNN)などのデータ駆動機械学習モデルが,現実的な代替手段になりつつある。
しかし、入力を出力にマッピングする純粋なブラックボックスデータ駆動モデルでは、基礎となる物理は不安定で不正確な一般化性能に悩まされる。
本研究では, 測定可能な材料状態に基づく経路依存材料に対する, 機械学習型物理インフォームドデータ駆動構成モデリング手法を提案する。
提案したデータ駆動構成モデルは,材料パス依存性に不可欠なISVをRNNの隠れ状態から自動的に推定する,普遍熱力学の原理を考慮した設計である。
データ駆動型機械学習ISVの進化を記述するRNNは熱力学第二法則に従う。
RNNモデルの堅牢性と精度を高めるために,モデルトレーニングに確率性を導入する。
モデル性能に及ぼすRNN履歴ステップ数,内部状態次元,モデル複雑性,ひずみインクリメントの影響について検討した。
実験応力-ひずみデータを用いて, 循環せん断荷重下での土壌物質挙動をモデル化し, 提案手法の有効性を評価する。
関連論文リスト
- ICODE: Modeling Dynamical Systems with Extrinsic Input Information [14.521146920900316]
モデルの学習過程に,正確なリアルタイム入力情報を組み込んだ入力共役ニューラルネットワーク(ICODE)を導入する。
いくつかの代表的実動力学の実験を通して本手法を検証する。
この研究は、明示的な外部入力情報で物理的システムを理解するための貴重なニューラルネットワークODEモデルのクラスを提供する。
論文 参考訳（メタデータ） (2024-11-21T07:57:59Z) - 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) - Analysis of Numerical Integration in RNN-Based Residuals for Fault
Diagnosis of Dynamic Systems [0.6999740786886536]
本論文は,重度トラックの後処理システムの事例スタディを含み,これらの技術が故障診断性能を向上させる可能性を明らかにする。
データ駆動モデリングと機械学習は、動的システムの振る舞いをモデル化するために広く使われている。
論文 参考訳（メタデータ） (2023-05-08T12:48:18Z) - MINN: Learning the dynamics of differential-algebraic equations and
application to battery modeling [3.900623554490941]
我々は、モデル統合ニューラルネットワーク(MINN)を生成するための新しいアーキテクチャを提案する。
MINNは、システムの物理に基づく力学の学習レベルとの統合を可能にする。
提案したニューラルネットワークアーキテクチャを用いてリチウムイオン電池の電気化学的ダイナミクスをモデル化する。
論文 参考訳（メタデータ） (2023-04-27T09:11:40Z) - 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) - Capturing Actionable Dynamics with Structured Latent Ordinary
Differential Equations [68.62843292346813]
本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。
静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
論文 参考訳（メタデータ） (2022-02-25T20:00:56Z) - 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) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳（メタデータ） (2021-02-15T19:56:48Z) - Physics-Incorporated Convolutional Recurrent Neural Networks for Source
Identification and Forecasting of Dynamical Systems [10.689157154434499]
本稿では,数値物理学に基づくモデルと深層学習を組み合わせたハイブリッドフレームワークを提案する。
我々は、我々のモデルであるPhICNetを、S時間進化を予測するためのエンドツーエンドのトレーニングが可能な畳み込みリカレントニューラルネットワーク(RNN)として定式化する。
実験結果から,提案モデルが比較的長期間にわたって力学を予測し,情報源も同定できることが示唆された。
論文 参考訳（メタデータ） (2020-04-14T00:27:18Z)
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。