論文の概要: FRC-TOuNN: Topology Optimization of Continuous Fiber Reinforced
Composites using Neural Network
- arxiv url: http://arxiv.org/abs/2205.03737v1
- Date: Sat, 7 May 2022 23:10:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-15 06:21:31.906659
- Title: FRC-TOuNN: Topology Optimization of Continuous Fiber Reinforced
Composites using Neural Network
- Title（参考訳）: FRC-TOuNN:ニューラルネットワークを用いた連続繊維強化複合材料のトポロジー最適化
- Authors: Aaditya Chandrasekhar, Amir Mirzendehdel, Morad Behandish, Krishnan
Suresh
- Abstract要約: 本稿では,ニューラルネットワーク(NN)に基づくメッシュ非依存表現を提案し,行列トポロジとファイバー分布を捉える。
暗黙的なNNベースの表現は、メッシュの離散化よりも高い解像度で幾何学的および物質的クエリを可能にする。
固定化連続繊維強化複合材料を高分解能で高分解能で製造できることを示す。
- 参考スコア（独自算出の注目度）: 4.355018965813992
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we present a topology optimization (TO) framework to
simultaneously optimize the matrix topology and fiber distribution of
functionally graded continuous fiber-reinforced composites (FRC). Current
approaches in density-based TO for FRC use the underlying finite element mesh
both for analysis and design representation. This poses several limitations
while enforcing sub-element fiber spacing and generating high-resolution
continuous fibers. In contrast, we propose a mesh-independent representation
based on a neural network (NN) both to capture the matrix topology and fiber
distribution. The implicit NN-based representation enables geometric and
material queries at a higher resolution than a mesh discretization. This leads
to the accurate extraction of functionally-graded continuous fibers. Further,
by integrating the finite element simulations into the NN computational
framework, we can leverage automatic differentiation for end-to-end automated
sensitivity analysis, i.e., we no longer need to manually derive cumbersome
sensitivity expressions. We demonstrate the effectiveness and computational
efficiency of the proposed method through several numerical examples involving
various objective functions. We also show that the optimized continuous fiber
reinforced composites can be directly fabricated at high resolution using
additive manufacturing.
- Abstract（参考訳）: 本稿では,機能的に傾斜した連続繊維強化複合材料(frc)のマトリックストポロジーと繊維分布を同時に最適化するトポロジー最適化(to)フレームワークを提案する。
frcに対する密度に基づく現在のアプローチでは、基礎となる有限要素メッシュを解析と設計表現の両方に使っている。
これはサブエレメントファイバのスペーシングと高分解能連続ファイバの生成にいくつかの制限を課す。
対照的に,ニューラルネットワーク(NN)に基づくメッシュ非依存表現を提案し,行列トポロジとファイバー分布を捉える。
暗黙的なNNベースの表現は、メッシュの離散化よりも高い解像度で幾何学的および物質的クエリを可能にする。
これにより、機能的に劣化した連続繊維の正確な抽出に繋がる。
さらに、有限要素シミュレーションをNN計算フレームワークに統合することにより、エンドツーエンドの自動感度解析に自動微分を利用することができる。
提案手法の有効性と計算効率を,様々な目的関数を含む数値的な例を通して示す。
また, 最適化した連続繊維強化複合材料は, 高分解能で直接製造できることを示した。
関連論文リスト
- Dynamically configured physics-informed neural network in topology
optimization applications [4.403140515138818]
物理インフォームドニューラルネットワーク(PINN)は、前方問題を解決する際に大量のデータを生成するのを避けることができる。
動的に構成された PINN-based Topology Optimization (DCPINN-TO) 法を提案する。
変位予測と最適化結果の精度は,DCPINN-TO法が効率的かつ効率的であることを示している。
論文 参考訳（メタデータ） (2023-12-12T05:35:30Z) - Enhancing training of physics-informed neural networks using
domain-decomposition based preconditioning strategies [1.8434042562191815]
広く使用されているL-BFGSに対して,加法的および乗法的プレコンディショニング戦略を導入する。
加法プレコンディショナーと乗算プレコンディショナーの両方が標準L-BFGSの収束を著しく改善することを示した。
論文 参考訳（メタデータ） (2023-06-30T13:35:09Z) - DMF-TONN: Direct Mesh-free Topology Optimization using Neural Networks [4.663709549795511]
本研究では、密度場近似ニューラルネットワークと変位場近似ニューラルネットワークを統合することで、トポロジ最適化を行うための直接メッシュフリー手法を提案する。
この直接積分手法は従来のトポロジ最適化手法に匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2023-05-06T18:04:51Z) - D4FT: A Deep Learning Approach to Kohn-Sham Density Functional Theory [79.50644650795012]
コーンシャム密度汎関数論(KS-DFT)を解くための深層学習手法を提案する。
このような手法はSCF法と同じ表現性を持つが,計算複雑性は低下する。
さらに,本手法により,より複雑なニューラルベース波動関数の探索が可能となった。
論文 参考訳（メタデータ） (2023-03-01T10:38:10Z) - SymNMF-Net for The Symmetric NMF Problem [62.44067422984995]
我々は,Symmetric NMF問題に対するSymNMF-Netと呼ばれるニューラルネットワークを提案する。
各ブロックの推測は最適化の単一イテレーションに対応することを示す。
実世界のデータセットに関する実証的な結果は、我々のSymNMF-Netの優位性を示している。
論文 参考訳（メタデータ） (2022-05-26T08:17:39Z) - A deep learning driven pseudospectral PCE based FFT homogenization
algorithm for complex microstructures [68.8204255655161]
提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。
提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
論文 参考訳（メタデータ） (2021-10-26T07:02:14Z) - Efficient Micro-Structured Weight Unification and Pruning for Neural
Network Compression [56.83861738731913]
ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。
既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。
ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
論文 参考訳（メタデータ） (2021-06-15T17:22:59Z) - Predicting the Mechanical Properties of Fibrin Using Neural Networks
Trained on Discrete Fiber Network Data [0.8812900098821118]
本稿では,RVEモデルの動作を効率的に捉えるために,人工完全連結ニューラルネットワーク(FCNN)を提案する。
FCNNは121の二軸変形を受ける1100の繊維ネットワークで訓練された。
我々のUMATを用いてフィブリンゲルの有限要素シミュレーションに利用した。
論文 参考訳（メタデータ） (2021-01-23T23:52:33Z) - Connecting Weighted Automata, Tensor Networks and Recurrent Neural
Networks through Spectral Learning [58.14930566993063]
我々は、形式言語と言語学からの重み付き有限オートマトン(WFA)、機械学習で使用されるリカレントニューラルネットワーク、テンソルネットワークの3つのモデル間の接続を提示する。
本稿では,連続ベクトル入力の列上に定義された線形2-RNNに対する最初の証明可能な学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-10-19T15:28:00Z) - Predicting Mechanical Properties from Microstructure Images in
Fiber-reinforced Polymers using Convolutional Neural Networks [8.023452876968694]
本稿では,繊維強化ポリマー試料の2次元分割トモグラフィ画像の応力場予測のために,ScressNetから修正した完全畳み込みニューラルネットワークについて検討する。
トレーニングされたモデルは、通常のラップトップ上で1回のフォワードパスで数秒以内に予測を行うことができ、ハイパフォーマンスなコンピューティングクラスタ上で完全な有限要素シミュレーションを実行するのに92.5時間かかる。
論文 参考訳（メタデータ） (2020-10-07T22:15:48Z) - 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)
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。