Fugu-MT 論文翻訳(概要): PhySRNet: Physics informed super-resolution network for application in computational solid mechanics

論文の概要: PhySRNet: Physics informed super-resolution network for application in computational solid mechanics

arxiv url: http://arxiv.org/abs/2206.15457v1
Date: Thu, 30 Jun 2022 17:51:50 GMT
ステータス: 処理完了
システム内更新日: 2022-07-01 16:27:03.633692
Title: PhySRNet: Physics informed super-resolution network for application in computational solid mechanics
Title（参考訳）: PhySRNet:計算固体力学への応用のための物理情報超解像ネットワーク
Authors: Rajat Arora
Abstract要約: 本研究は,物理インフォームド深層学習に基づく超解像フレームワーク(PhySRNet)の開発を目的とする。高分解能ラベル付きデータを必要とせずに、高分解能変形場を低分解能変形体から復元することができる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Traditional approaches based on finite element analyses have been successfully used to predict the macro-scale behavior of heterogeneous materials (composites, multicomponent alloys, and polycrystals) widely used in industrial applications. However, this necessitates the mesh size to be smaller than the characteristic length scale of the microstructural heterogeneities in the material leading to computationally expensive and time-consuming calculations. The recent advances in deep learning based image super-resolution (SR) algorithms open up a promising avenue to tackle this computational challenge by enabling researchers to enhance the spatio-temporal resolution of data obtained from coarse mesh simulations. However, technical challenges still remain in developing a high-fidelity SR model for application to computational solid mechanics, especially for materials undergoing large deformation. This work aims at developing a physics-informed deep learning based super-resolution framework (PhySRNet) which enables reconstruction of high-resolution deformation fields (displacement and stress) from their low-resolution counterparts without requiring high-resolution labeled data. We design a synthetic case study to illustrate the effectiveness of the proposed framework and demonstrate that the super-resolved fields match the accuracy of an advanced numerical solver running at 400 times the coarse mesh resolution while simultaneously satisfying the (highly nonlinear) governing laws. The approach opens the door to applying machine learning and traditional numerical approaches in tandem to reduce computational complexity accelerate scientific discovery and engineering design.
Abstract（参考訳）: 有限要素解析に基づく従来のアプローチは、工業用途に広く用いられている異種材料(複合材料、多成分合金、多結晶)のマクロな挙動を予測するのに成功している。しかし, メッシュのサイズは材料中の構造的不均一性の特性長スケールよりも小さく, 計算コストが高く, 時間を要する計算に繋がる。ディープラーニングに基づく画像超解法(SR)アルゴリズムの最近の進歩は、研究者が粗いメッシュシミュレーションから得られたデータの時空間分解能を高めることによって、この計算課題に取り組むための有望な道を開く。しかし、特に大きな変形を受ける材料に対して計算固体力学に応用するための高忠実度srモデルの開発には技術的な課題が残っている。本研究の目的は、高分解能ラベル付きデータを必要としない高分解能変形場(変位と応力)を低分解能から再構成できる物理インフォームド深層学習に基づく超解像フレームワーク(PhySRNet)の開発である。提案手法の有効性を明らかにするために,提案手法を設計し,超解場が,(高非線形な)規制則を同時に満たしつつ,400倍の粗いメッシュ解像度で動作する高度な数値解法の精度と一致することを示す。このアプローチは、計算複雑性を減らすために機械学習と従来の数値的アプローチを適用し、科学的発見とエンジニアリング設計を加速するドアを開く。

関連論文リスト

Iterative Sizing Field Prediction for Adaptive Mesh Generation From Expert Demonstrations [49.173541207550485]
Adaptive Meshing By Expert Reconstruction (AMBER) は模倣学習問題である。 AMBERは、グラフニューラルネットワークとオンラインデータ取得スキームを組み合わせて、専門家メッシュの投影されたサイズフィールドを予測する。我々は、人間の専門家が提供した2Dメッシュと3Dメッシュ上でAMBERを実験的に検証し、提供されたデモと密に一致し、シングルステップのCNNベースラインを上回った。
論文参考訳（メタデータ） (2024-06-20T10:01:22Z)
Enhancing Multiscale Simulations with Constitutive Relations-Aware Deep Operator Networks [0.7946947383637114]
マルチスケール有限要素計算は、マイクロ構造特性をマクロ計算解析に組み込む能力に期待されている。マイクロスケール物理の代理モデリングにディープ・オペレーター・ネットワークを利用するハイブリッド手法を提案する。
論文参考訳（メタデータ） (2024-05-22T15:40:05Z)
Machine Learning Insides OptVerse AI Solver: Design Principles and Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文参考訳（メタデータ） (2024-01-11T15:02:15Z)
NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文参考訳（メタデータ） (2023-02-20T19:36:52Z)
On Robust Numerical Solver for ODE via Self-Attention Mechanism [82.95493796476767]
我々は,内在性雑音障害を緩和し,AIによって強化された数値解法を,データサイズを小さくする訓練について検討する。まず,教師付き学習における雑音を制御するための自己認識機構の能力を解析し,さらに微分方程式の数値解に付加的な自己認識機構を導入し,簡便かつ有効な数値解法であるAttrを提案する。
論文参考訳（メタデータ） (2023-02-05T01:39:21Z)
Spatio-Temporal Super-Resolution of Dynamical Systems using Physics-Informed Deep-Learning [0.0]
本稿では,PDE解の空間的・時間的分解能を高める物理インフォームド・ディープ・ラーニング・ベース・フレームワークを提案する。このフレームワークは、2つの訓練可能なモジュールから成り、独立に超解(空間と時間の両方) PDE ソリューションである。提案手法は,工学設計における計算複雑性を低減するため,従来の数値手法との統合に適している。
論文参考訳（メタデータ） (2022-12-08T18:30:18Z)
Physics-informed Deep Super-resolution for Spatiotemporal Data [18.688475686901082]
ディープ・ラーニングは、粗い粒度のシミュレーションに基づいて科学的データを増やすのに使うことができる。物理インフォームドラーニングにインスパイアされた、豊かで効率的な時間的超解像フレームワークを提案する。その結果,提案手法の有効性と効率が,ベースラインアルゴリズムと比較して優れていることが示された。
論文参考訳（メタデータ） (2022-08-02T13:57:35Z)
Machine Learning-Accelerated Computational Solid Mechanics: Application to Linear Elasticity [0.0]
我々は、高解像度ラベル付きデータを用いることなく、物理系の支配方程式と境界条件を利用してモデルを訓練する。超解場は、粗いメッシュ解像度の400倍の精度で進行数値計算器の精度と一致することを示した。
論文参考訳（メタデータ） (2021-12-16T07:39:50Z)
Model-data-driven constitutive responses: application to a multiscale computational framework [0.0]
古典法則(モデルベース)、データ駆動補正コンポーネント、計算的マルチスケールアプローチを組み合わせたハイブリッド方法論が提示される。非線形数値均質化法により得られた低スケールのデータを用いてモデルベース材料表現を局所的に改善する。提案手法では,モデルとデータの両方が基本的な役割を担い,物理に基づく応答と機械学習のブラックボックスの相乗的統合を実現する。
論文参考訳（メタデータ） (2021-04-06T16:34:46Z)
Interpretable Hyperspectral AI: When Non-Convex Modeling meets Hyperspectral Remote Sensing [57.52865154829273]
ハイパースペクトルイメージング、別名画像分光法は、地球科学リモートセンシング(RS)におけるランドマーク技術です。過去10年間で、主に熟練した専門家によってこれらのハイパースペクトル(HS)製品を分析するための取り組みが行われています。このため、さまざまなHS RSアプリケーションのためのよりインテリジェントで自動的なアプローチを開発することが急務です。
論文参考訳（メタデータ） (2021-03-02T03:32:10Z)
Reinforcement Learning for Adaptive Mesh Refinement [63.7867809197671]
マルコフ決定過程としてのAMRの新規な定式化を提案し,シミュレーションから直接改良政策を訓練するために深部強化学習を適用した。これらのポリシーアーキテクチャのモデルサイズはメッシュサイズに依存しないため、任意に大きく複雑なシミュレーションにスケールします。
論文参考訳（メタデータ） (2021-03-01T22:55:48Z)

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。