論文の概要: Three-dimensional microstructure generation using generative adversarial neural networks in the context of continuum micromechanics

• arxiv url: http://arxiv.org/abs/2206.01693v1
• Date: Tue, 31 May 2022 13:26:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-12 21:34:02.742235
• Title: Three-dimensional microstructure generation using generative adversarial neural networks in the context of continuum micromechanics
• Title（参考訳）: 連続体マイクロメカニクスにおける生成対向ニューラルネットワークを用いた三次元微細構造生成
• Authors: Alexander Henkes, Henning Wessels
• Abstract要約: 本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。 軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
• 参考スコア（独自算出の注目度）: 77.34726150561087
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multiscale simulations are demanding in terms of computational resources. In the context of continuum micromechanics, the multiscale problem arises from the need of inferring macroscopic material parameters from the microscale. If the underlying microstructure is explicitly given by means of microCT-scans, convolutional neural networks can be used to learn the microstructure-property mapping, which is usually obtained from computational homogenization. The CNN approach provides a significant speedup, especially in the context of heterogeneous or functionally graded materials. Another application is uncertainty quantification, where many expansive evaluations are required. However, one bottleneck of this approach is the large number of training microstructures needed. This work closes this gap by proposing a generative adversarial network tailored towards three-dimensional microstructure generation. The lightweight algorithm is able to learn the underlying properties of the material from a single microCT-scan without the need of explicit descriptors. During prediction time, the network can produce unique three-dimensional microstructures with the same properties of the original data in a fraction of seconds and at consistently high quality.
• Abstract（参考訳）: マルチスケールシミュレーションは計算資源の観点から要求される。 連続体マイクロメカニクスの文脈において、マルチスケール問題は、マイクロスケールからマクロな材料パラメータを推測することの必要性から生じる。 基盤となる微細構造がマイクロCTスキャンによって明示的に与えられる場合、畳み込みニューラルネットワークは、通常計算的ホモジェナイゼーションから得られるマイクロ構造-プロパティマッピングを学習するために用いられる。 cnnアプローチは、特にヘテロジニアスまたは機能的に傾斜した材料の文脈において、大幅なスピードアップを提供する。 もう一つの応用は不確実性定量化であり、多くの広範囲な評価が必要となる。 しかし、このアプローチのボトルネックの1つは、必要な多くのトレーニングマイクロ構造である。 この研究は、3次元の微細構造生成に適した生成的対向ネットワークを提案することによって、このギャップを埋める。 軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。 予測時間の間、ネットワークは元のデータと同じ特性を持つユニークな3次元微細構造を数秒で、一貫して高品質で生成することができる。

関連論文リスト

• A Microstructure-based Graph Neural Network for Accelerating Multiscale Simulations [0.0]
  本稿では,この問題のマルチスケール性を維持するための代替的な代理モデル戦略を提案する。 我々は, 顕微鏡材料モデルを維持しながら, グラフニューラルネットワーク(GNN)を用いて, フルフィールドの顕微鏡歪みを予測した。 本研究では,サロゲートが複雑なマクロな応力-ひずみ経路を予測可能であることを示す。
  論文  参考訳（メタデータ） (2024-02-20T15:54:24Z)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• A Neural Network Transformer Model for Composite Microstructure Homogenization [1.2277343096128712]
  森田中法のような均質化法は、幅広い構成特性に対して急速な均質化をもたらす。 本稿では,様々なミクロ構造の知識を捉えたトランスフォーマーニューラルネットワークアーキテクチャについて述べる。 ネットワークは、履歴に依存し、非線形で、均質化されたストレス-ひずみ応答を予測する。
  論文  参考訳（メタデータ） (2023-04-16T19:57:52Z)
• Towards Microstructural State Variables in Materials Systems [0.1473281171535445]
  本稿では,微視的画像データ削減に着目した次元性および状態変数推定手法の定式化を目的とする。 p-ミンコフスキー距離の自然画像に対して、近傍の近傍線に基づく局所次元推定が一貫した次元推定を与える傾向があることが示されている。 また, 積層自己エンコーダは, 高次元微細構造データの生成空間を再構築し, 材料ミクロ構造の変動性を完全に記述するために, 状態変数のスパースセットを提供する。
  論文  参考訳（メタデータ） (2023-01-11T01:49:18Z)
• Spherical convolutional neural networks can improve brain microstructure estimation from diffusion MRI data [0.35998666903987897]
  拡散磁気共鳴イメージングは脳組織の微細構造に敏感である。 測定された信号から臨床および科学的に関係する微細構造特性を推定することは、機械学習が解決するのに役立つ非常に難しい逆問題である。 我々は、効率的にシミュレートされた雑音データから地中構造パラメータ値を予測するために、球面畳み込みニューラルネットワークを訓練した。
  論文  参考訳（メタデータ） (2022-11-17T20:52:00Z)
• A micromechanics-based recurrent neural networks model for path-dependent cyclic deformation of short fiber composites [0.0]
  本研究では, 短繊維強化複合材料の経路依存性弾塑性応力応答を予測するために, 繰り返し深部ニューラルネットワークモデルを訓練する。 このモデルは、独立したマイクロメカニカルシミュレーションと比較した場合、計算的に非常に正確な予測を与える。
  論文  参考訳（メタデータ） (2022-09-27T12:14:15Z)
• 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)
• ATOM3D: Tasks On Molecules in Three Dimensions [91.72138447636769]
  近年、深層ニューラルネットワークが注目されている。 本稿では,生物分子のいくつかの重要なクラスにまたがる新しいデータセットと既存のデータセットのコレクションであるATOM3Dを紹介する。 これらのタスクごとに3次元の分子学習ネットワークを開発し、パフォーマンスを一貫して改善します。
  論文  参考訳（メタデータ） (2020-12-07T20:18:23Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• When Residual Learning Meets Dense Aggregation: Rethinking the Aggregation of Deep Neural Networks [57.0502745301132]
  我々は,グローバルな残差学習と局所的なマイクロセンスアグリゲーションを備えた新しいアーキテクチャであるMicro-Dense Netsを提案する。 我々のマイクロセンスブロックはニューラルアーキテクチャ検索に基づくモデルと統合して性能を向上させることができる。
  論文  参考訳（メタデータ） (2020-04-19T08:34:52Z)

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。