論文の概要: Linking Properties to Microstructure in Liquid Metal Embedded Elastomers
via Machine Learning
- arxiv url: http://arxiv.org/abs/2208.04146v1
- Date: Sun, 24 Jul 2022 06:02:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-14 18:17:45.907128
- Title: Linking Properties to Microstructure in Liquid Metal Embedded Elastomers
via Machine Learning
- Title(参考訳): 機械学習による液体金属包埋エラストマーの微細構造と結合特性
- Authors: Abhijith Thoopul Anantharanga, Mohammad Saber Hashemi, Azadeh Sheidaei
- Abstract要約: 液体金属(LM)はエラストマーマトリックスに埋め込まれ、独特の熱、誘電体、機械的特性を持つ軟質複合材料が得られる。
これらの材料の性質と構造を結びつけることにより、材料設計を合理的に行うことができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Liquid metals (LM) are embedded in an elastomer matrix to obtain soft
composites with unique thermal, dielectric, and mechanical properties. They
have applications in soft robotics, biomedical engineering, and wearable
electronics. By linking the structure to the properties of these materials, it
is possible to perform material design rationally. Liquid-metal embedded
elastomers (LMEEs) have been designed for targeted electro-thermo-mechanical
properties by semi-supervised learning of structure-property (SP) links in a
variational autoencoder network (VAE). The design parameters are the
microstructural descriptors that are physically meaningful and have affine
relationships with the synthetization of the studied particulate composite. The
machine learning (ML) model is trained on a generated dataset of
microstructural descriptors with their multifunctional property quantities as
their labels. Sobol sequence is used for in-silico Design of Experiment (DoE)
by sampling the design space to generate a comprehensive dataset of 3D
microstructure realizations via a packing algorithm. The mechanical responses
of the generated microstructures are simulated using a previously developed
Finite Element (FE) model, considering the surface tension induced by LM
inclusions, while the linear thermal and dielectric constants are homogenized
with the help of our in-house Fast Fourier Transform (FFT) package. Following
the training by minimization of an appropriate loss function, the VAE encoder
acts as the surrogate of numerical solvers of the multifunctional
homogenizations, and its decoder is used for the material design. Our results
indicate the satisfactory performance of the surrogate model and the inverse
calculator with respect to high-fidelity numerical simulations validated with
LMEE experimental results.
- Abstract(参考訳): 液体金属(LM)はエラストマーマトリックスに埋め込まれ、独特の熱、誘電体、機械的特性を持つ軟質複合材料が得られる。
ソフトロボティクス、バイオメディカルエンジニアリング、ウェアラブルエレクトロニクスに応用されている。
これらの材料の特性と構造を結びつけることで、材料設計を合理的に行うことができる。
液体金属埋込みエラストマー (LMEE) は, 可変オートエンコーダネットワーク (VAE) における構造固有性 (SP) リンクの半教師付き学習により, 電気熱力学的特性を目標に設計されている。
設計パラメータは、物理的に有意であり、研究された粒子複合材料の合成と親和性を持つマイクロ構造記述子である。
機械学習(ML)モデルは、その多機能特性量をラベルとして生成したマイクロ構造記述子のデータセットに基づいて訓練される。
ソボシーケンスは、設計空間をサンプリングし、パッキングアルゴリズムを介して3Dマイクロ構造実現の包括的なデータセットを生成することで、実験のシリコン設計(DoE)に使用される。
また, 内部のFast Fourier Transform (FFT)パッケージの助けを借りて, 線形熱・誘電率定数を均質化した上で, LM介在物による表面張力を考慮したFinete Element (FE)モデルを用いて, 生成したミクロ構造の機械的応答をシミュレーションした。
適切な損失関数の最小化によるトレーニングの後、VAEエンコーダは多機能均質化の数値解法のサロゲートとして機能し、そのデコーダは材料設計に使用される。
LMEE実験結果から得られた高忠実度数値シミュレーションについて,サロゲートモデルと逆計算機の良好な性能を示す。
関連論文リスト
- Molecule Design by Latent Prompt Transformer [76.2112075557233]
本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。
本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
論文 参考訳(メタデータ) (2024-02-27T03:33:23Z) - Guided Diffusion for Fast Inverse Design of Density-based Mechanical Metamaterials [41.97258566607252]
本稿では, ボクセルをベースとしたメカニカルメタマテリアルを生成するために, コアが高度な深層生成AIアルゴリズムである高速逆設計法を提案する。
具体的には, 1283ドルの分解能を持つマイクロ構造を生成できる自己条件拡散モデルを用いて, 特定の均質化行列にわずか3秒でアプローチする。
論文 参考訳(メタデータ) (2024-01-24T16:31:50Z) - Mechanical Characterization and Inverse Design of Stochastic Architected
Metamaterials Using Neural Operators [2.4918888803900727]
機械学習は、建築された材料の設計のための変革的なツールとして登場しつつある。
ここでは、ディープニューラル演算子(DeepONet)を活用した、エンドツーエンドの科学MLフレームワークを紹介する。
2光子リソグラフィーを用いて印刷した脊椎の微細構造から得られた結果,機械的応答の予測誤差が5~10%の範囲内であることが判明した。
論文 参考訳(メタデータ) (2023-11-23T05:23:15Z) - Scalable Diffusion for Materials Generation [99.71001883652211]
我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。
UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。
材料の生成モデルを評価するための追加指標を提案する。
論文 参考訳(メタデータ) (2023-10-18T15:49:39Z) - LS-DYNA Machine Learning-based Multiscale Method for Nonlinear Modeling
of Short Fiber-Reinforced Composites [7.891561501854125]
短繊維強化複合材料(英: short-fiber-reinforceed Composites、SFRC)は、自動車やエレクトロニクス産業における軽量構造応用のための高性能な工学材料である。
本研究では, 射出成形による微細構造, 材料均質化, 深層材料ネットワーク(DMN)を統合し, SFRCの構造解析を行う機械学習によるマルチスケール手法を提案する。
論文 参考訳(メタデータ) (2023-01-06T22:33:19Z) - 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) - 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) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳(メタデータ) (2021-06-08T10:14:57Z) - A Supervised Machine Learning Approach for Accelerating the Design of
Particulate Composites: Application to Thermal Conductivity [0.0]
粒子状多機能複合材料の設計のための教師付き機械学習(ML)に基づく計算手法を提案する。
設計変数(英: design variables)は、材料のミクロ構造と材料の性質を直接リンクする物理的記述子である。
最適化ML法は, 生成データベース上で学習し, 構造と特性の複雑な関係を確立する。
論文 参考訳(メタデータ) (2020-09-30T18:18:00Z) - Learning Composable Energy Surrogates for PDE Order Reduction [28.93892833892805]
パラメトリックなモジュラー構造を用いてコンポーネントレベルのサロゲートを学習し、より安価な高忠実度シミュレーションを実現する。
ニューラルネットワークを用いて、所定の境界条件で格納されたポテンシャルエネルギーをモデル化する。
構成可能なエネルギーサロゲートは、コンポーネント境界の縮小に基づくシミュレーションを可能にする。
論文 参考訳(メタデータ) (2020-05-13T19:41:24Z) - Intelligent multiscale simulation based on process-guided composite
database [0.0]
本稿では、プロセスモデリング、材料均質化、機械学習に基づく統合データ駆動モデリングフレームワークを提案する。
我々は, 自動車, 航空宇宙, エレクトロニクス産業において重要な材料システムとして認識されてきた, 射出成形した短繊維強化複合材料に興味を持っている。
論文 参考訳(メタデータ) (2020-03-20T20:39:19Z)
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。