論文の概要: Efficient Implementation of Non-linear Flow Law Using Neural Network
into the Abaqus Explicit FEM code
- arxiv url: http://arxiv.org/abs/2209.03190v1
- Date: Wed, 7 Sep 2022 14:37:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-08 13:12:48.994748
- Title: Efficient Implementation of Non-linear Flow Law Using Neural Network
into the Abaqus Explicit FEM code
- Title（参考訳）: ニューラルネットワークを用いたFEM符号への非線形フロー法則の効率的な実装
- Authors: Olivier Pantal\'e and Pierre Tize Mha and Am\`evi Tongne
- Abstract要約: 有限要素定式化において、金属材料の流動則を定義するために人工ニューラルネットワーク(ANN)モデルを用いる。
その結果、ANNが有限要素符号におけるジョンソン・クックの挙動則を解析的に定式化する能力は非常に高いことを示した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Machine learning techniques are increasingly used to predict material
behavior in scientific applications and offer a significant advantage over
conventional numerical methods. In this work, an Artificial Neural Network
(ANN) model is used in a finite element formulation to define the flow law of a
metallic material as a function of plastic strain, plastic strain rate and
temperature. First, we present the general structure of the neural network, its
operation and focus on the ability of the network to deduce, without prior
learning, the derivatives of the flow law with respect to the model inputs. In
order to validate the robustness and accuracy of the proposed model, we compare
and analyze the performance of several network architectures with respect to
the analytical formulation of a Johnson-Cook behavior law for a 42CrMo4 steel.
In a second part, after having selected an Artificial Neural Network
architecture with $2$ hidden layers, we present the implementation of this
model in the Abaqus Explicit computational code in the form of a VUHARD
subroutine. The predictive capability of the proposed model is then
demonstrated during the numerical simulation of two test cases: the necking of
a circular bar and a Taylor impact test. The results obtained show a very high
capability of the ANN to replace the analytical formulation of a Johnson-Cook
behavior law in a finite element code, while remaining competitive in terms of
numerical simulation time compared to a classical approach.
- Abstract（参考訳）: 機械学習技術は、科学応用における物質的挙動の予測にますます使われており、従来の数値法よりも大きな利点がある。
本研究では, 有限要素定式化において, 金属材料の流動則を塑性ひずみ, 塑性ひずみ速度, 温度の関数として定義するために, ニューラルネットワークモデルを用いた。
まず、ニューラルネットワークの一般構造、その動作、およびモデル入力に対するフロー則の導出を事前学習せずに推論するネットワークの能力に焦点を当てる。
提案モデルのロバスト性と精度を検証するため,42crmo4鋼板のジョンソン-クック挙動則の解析的定式化について,いくつかのネットワークアーキテクチャの性能を比較分析した。
第2部では,2ドルの隠れレイヤを持つニューラルネットワークアーキテクチャを選定した上で,このモデルの実装をabaqusの明示的な計算コードでvuhardサブルーチンとして提示する。
提案モデルの予測性能は, 円棒のネックリングとテイラー衝撃試験の2つのテストケースの数値シミュレーションにより実証された。
その結果,有限要素法におけるジョンソン-クック挙動法則の解析的定式化をannが置き換える可能性が非常に高いことが示され,従来の手法に比べて数値シミュレーション時間の面での競争力が保たれた。
関連論文リスト
- HANNA: Hard-constraint Neural Network for Consistent Activity Coefficient Prediction [16.024570580558954]
活動係数(HANNA)予測のための最初のハードコントラストニューラルネットワークを提案する。
HANNAは熱力学的混合特性であり、科学と工学の多くの応用の基礎となっている。
このモデルはドルトムント・データバンクから得られた2成分混合物の活性係数を317,421データポイントで測定し,評価した。
論文 参考訳（メタデータ） (2024-07-25T13:05:00Z) - Physics-Informed Neural Networks with Hard Linear Equality Constraints [9.101849365688905]
本研究は,線形等式制約を厳格に保証する物理インフォームドニューラルネットワークKKT-hPINNを提案する。
溶融タンク炉ユニット, 抽出蒸留サブシステム, 化学プラントのアスペンモデル実験により, このモデルが予測精度をさらに高めることを示した。
論文 参考訳（メタデータ） (2024-02-11T17:40:26Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - Gibbs-Duhem-Informed Neural Networks for Binary Activity Coefficient
Prediction [45.84205238554709]
本稿では,Gibs-Duhem-informed Neural Network を用いて,様々な組成における二成分活性係数の予測を行う。
ニューラルネットワークの学習における損失関数にギブス・デュヘム方程式を明示的に含んでいる。
論文 参考訳（メタデータ） (2023-05-31T07:36:45Z) - Neural Abstractions [72.42530499990028]
本稿では,ニューラルネットワークを用いた非線形力学モデルの安全性検証手法を提案する。
提案手法は,既存のベンチマーク非線形モデルにおいて,成熟度の高いFlow*と同等に動作することを示す。
論文 参考訳（メタデータ） (2023-01-27T12:38:09Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - Neural net modeling of equilibria in NSTX-U [0.0]
我々は平衡モデルと形状制御モデルに関連する2つのニューラルネットワークを開発する。
ネットワークにはEFIT01再構成アルゴリズムでトレーニングされた自由境界均衡解法であるEqnetと、Gspert符号でトレーニングされたPertnetが含まれる。
本報告では,これらのモデルが閉ループシミュレーションで確実に使用できることを示す。
論文 参考訳（メタデータ） (2022-02-28T16:09:58Z) - Neural Capacitance: A New Perspective of Neural Network Selection via
Edge Dynamics [85.31710759801705]
現在の実践は、性能予測のためのモデルトレーニングにおいて高価な計算コストを必要とする。
本稿では,学習中のシナプス接続(エッジ)上の制御ダイナミクスを解析し,ニューラルネットワーク選択のための新しいフレームワークを提案する。
我々のフレームワークは、ニューラルネットワークトレーニング中のバックプロパゲーションがシナプス接続の動的進化と等価であるという事実に基づいて構築されている。
論文 参考訳（メタデータ） (2022-01-11T20:53:15Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z) - Learning Queuing Networks by Recurrent Neural Networks [0.0]
データから性能モデルを導出する機械学習手法を提案する。
我々は、通常の微分方程式のコンパクトな系の観点から、それらの平均力学の決定論的近似を利用する。
これにより、ニューラルネットワークの解釈可能な構造が可能になり、システム測定からトレーニングしてホワイトボックスパラメータ化モデルを生成することができる。
論文 参考訳（メタデータ） (2020-02-25T10:56:47Z)
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。