論文の概要: Exploring the structure-property relations of thin-walled, 2D extruded lattices using neural networks

• arxiv url: http://arxiv.org/abs/2205.06761v1
• Date: Fri, 13 May 2022 16:45:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-16 15:05:37.301115
• Title: Exploring the structure-property relations of thin-walled, 2D extruded lattices using neural networks
• Title（参考訳）: ニューラルネットワークを用いた薄肉2次元押出格子の構造と特性関係の検討
• Authors: Junyan He, Shashank Kushwaha, Diab Abueidda, Iwona Jasiuk
• Abstract要約: 本稿では, 動的長手圧縮下における薄肉格子の構造・物性関係について検討する。 我々は、異なる格子設計を生成するキーベース設計システムを提案し、その有限要素を用いてジョンソン・クック材料モデルによる応答をシミュレートした。 オートエンコーダを用いて格子の断面画像を潜在設計特徴ベクトルに符号化し、ニューラルネットワークモデルに供給して予測を生成する。
• 参考スコア（独自算出の注目度）: 2.3677503557659705
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper investigates the structure-property relations of thin-walled lattices under dynamic longitudinal compression, characterized by their cross-sections and heights. These relations elucidate the interactions of different geometric features of a design on mechanical response, including energy absorption. We proposed a combinatorial, key-based design system to generate different lattice designs and used the finite element method to simulate their response with the Johnson-Cook material model. Using an autoencoder, we encoded the cross-sectional images of the lattices into latent design feature vectors, which were supplied to the neural network model to generate predictions. The trained models can accurately predict lattice energy absorption curves in the key-based design system and can be extended to new designs outside of the system via transfer learning.
• Abstract（参考訳）: 本稿では,断面と高さを特徴とする動的縦圧縮下における薄肉格子の構造特性関係について検討する。 これらの関係は、エネルギー吸収を含む機械的応答に関する設計の異なる幾何学的特徴の相互作用を解明する。 我々は,異なる格子設計を生成するための組合せ型キーベース設計システムを提案し,その応答をジョンソン-クック材料モデルでシミュレートするために有限要素法を用いた。 オートエンコーダを用いて、格子の断面画像を潜在設計特徴ベクトルに符号化し、予測を生成するためにニューラルネットワークモデルに供給した。 トレーニングされたモデルはキーベース設計システムにおける格子エネルギー吸収曲線を正確に予測することができ、転送学習を通じてシステム外の新しい設計に拡張することができる。

関連論文リスト

• Machine learning for structural design models of continuous beam systems via influence zones [3.284878354988896]
  この研究は、逆問題の観点から連続ビームシステムのための機械学習構造設計モデルを開発する。 本研究の目的は,任意のシステムサイズを持つ連続ビームシステムの断面積要求を予測できる非定常構造設計モデルを概念化することである。
  論文  参考訳（メタデータ） (2024-03-14T14:53:18Z)
• Re-Dock: Towards Flexible and Realistic Molecular Docking with Diffusion Bridge [69.80471117520719]
  Re-Dockは、幾何学多様体に拡張された新しい拡散橋生成モデルである。 我々はNewton-Euler方程式にインスパイアされたエネルギー-幾何学マッピングを提案し、結合エネルギーとコンフォーメーションを共モデリングする。 アポドックやクロスドックといった設計済みのベンチマークデータセットの実験は、現在の手法よりもモデルの有効性と効率性が優れていることを示している。
  論文  参考訳（メタデータ） (2024-02-18T05:04:50Z)
• Differentiable graph-structured models for inverse design of lattice materials [0.0]
  異なる環境条件に適応可能な物理化学的性質を有する建築材料は、材料科学の破壊的な新しい領域を具現化している。 正規および不規則な格子材料に対するグラフベース表現を用いた新しい計算手法を提案する。
  論文  参考訳（メタデータ） (2023-04-11T18:00:21Z)
• A Pareto-optimal compositional energy-based model for sampling and optimization of protein sequences [55.25331349436895]
  深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。 これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
  論文  参考訳（メタデータ） (2022-10-19T19:04:45Z)
• Toward an Over-parameterized Direct-Fit Model of Visual Perception [5.4823225815317125]
  本稿では, 単純細胞と複雑細胞の並列結合機構と逐次結合機構の相違について述べる。 空間分割と合成に抽象化する新たな提案が提案されている。 我々は、$ell_infty$-optimizationに基づいて、動的プログラミング(DP)のような近似近傍探索を実現する方法を示す。
  論文  参考訳（メタデータ） (2022-10-07T23:54:30Z)
• Universal approximation property of invertible neural networks [76.95927093274392]
  Invertible Neural Network (INN) は、設計によって可逆性を持つニューラルネットワークアーキテクチャである。 その可逆性とヤコビアンのトラクタビリティのおかげで、IGNは確率的モデリング、生成的モデリング、表現的学習など、さまざまな機械学習応用がある。
  論文  参考訳（メタデータ） (2022-04-15T10:45:26Z)
• How to See Hidden Patterns in Metamaterials with Interpretable Machine Learning [82.67551367327634]
  我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。 具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
  論文  参考訳（メタデータ） (2021-11-10T21:19:02Z)
• Lossless Compression of Structured Convolutional Models via Lifting [14.63152363481139]
  我々は, 情報を失うことなく, 対称性を検出し, ニューラルネットワークを圧縮する, シンプルで効率的な手法を提案する。 このような圧縮が構造的畳み込みモデルの大幅な高速化につながることを実験を通じて実証する。
  論文  参考訳（メタデータ） (2020-07-13T08:02:27Z)
• CoSE: Compositional Stroke Embeddings [52.529172734044664]
  本稿では、ストロークベースの描画タスクのような複雑な自由形式構造に対する生成モデルを提案する。 我々のアプローチは、自動補完図のようなインタラクティブなユースケースに適している。
  論文  参考訳（メタデータ） (2020-06-17T15:22:54Z)
• Machine Learning Enabled Discovery of Application Dependent Design Principles for Two-dimensional Materials [1.1470070927586016]
  我々は熱力学、機械的、電子的特性を予測するためにモデルのアンサンブルを訓練する。 ほぼ2つの非結合なアプリケーションに対して,45,000近い構造体をスクリーニングする。 有機-無機ペロブスカイトと鉛とスズとのハイブリッドが太陽電池の応用に好適であることが判明した。
  論文  参考訳（メタデータ） (2020-03-19T23:13:50Z)
• Understanding Graph Neural Networks with Generalized Geometric Scattering Transforms [67.88675386638043]
  散乱変換は、畳み込みニューラルネットワークのモデルとして機能する多層ウェーブレットベースのディープラーニングアーキテクチャである。 非対称ウェーブレットの非常に一般的なクラスに基づくグラフに対して、窓付きおよび非窓付き幾何散乱変換を導入する。 これらの非対称グラフ散乱変換は、対称グラフ散乱変換と多くの理論的保証を持つことを示す。
  論文  参考訳（メタデータ） (2019-11-14T17:23:06Z)

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。