論文の概要: Physics-Constrained Neural Network for the Analysis and Feature-Based
Optimization of Woven Composites
- arxiv url: http://arxiv.org/abs/2209.09154v1
- Date: Mon, 19 Sep 2022 16:16:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-20 20:16:44.815293
- Title: Physics-Constrained Neural Network for the Analysis and Feature-Based
Optimization of Woven Composites
- Title(参考訳): 物理拘束型ニューラルネットワークによる織物複合材料の解析と特徴ベース最適化
- Authors: Haotian Feng, Sabarinathan P Subramaniyan, Pavana Prabhakar
- Abstract要約: ワープ繊維とウェフト繊維をパターン又は織りスタイルでインターレースして織布複合体を製造する。
パターンや材料を変えることにより、織物複合材料の機械的特性を著しく変化させることができる。
本稿では, 物理制約ニューラルネットワーク(PCNN)を提案し, 織物複合構造(パターン, 材料)が機械的特性に与える影響について検討する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Woven composites are produced by interlacing warp and weft fibers in a
pattern or weave style. By changing the pattern or material, the mechanical
properties of woven composites can be significantly changed; however, the role
of woven composite architecture (pattern, material) on the mechanical
properties is not well understood. In this paper, we explore the relationship
between woven composite architectures (weave pattern, weave material sequence)
and the corresponding modulus through our proposed Physics-Constrained Neural
Network (PCNN). Furthermore, we apply statistical learning methods to optimize
the woven composite architecture to improve mechanical responses. Our results
show that PCNN can effectively predict woven architecture for the desired
modulus with much higher accuracy than several baseline models. PCNN can be
further combined with feature-based optimization to determine the optimal woven
composite architecture at the initial design stage. In addition to relating
woven composite architecture to its mechanical responses, our research also
provides an in-depth understanding of how architectural features govern
mechanical responses. We anticipate our proposed frameworks will primarily
facilitate the woven composite analysis and optimization process and be a
starting point to introduce Physics knowledge-guided Neural Networks into the
complex structural analysis.
- Abstract(参考訳): ワープ繊維とウェフト繊維をパターン又は織りスタイルでインターレースして織布複合体を製造する。
パターンや材料を変えることにより、織物複合材の機械的特性を著しく変化させることができるが、機械的特性に対する織物複合建築(パターン, 材料)の役割はよく理解されていない。
本稿では,提案した物理制約ニューラルネットワーク(PCNN)を用いて,織物複合アーキテクチャ(織物パターン,織物材料シーケンス)と対応する弾性率の関係について検討する。
さらに, 機械的応答を改善するために, 織物複合アーキテクチャの最適化に統計的学習法を適用した。
その結果、pcnnは複数のベースラインモデルよりも高い精度で、所望のモジュラーに対して織りアーキテクチャを効果的に予測できることがわかった。
PCNNはさらに機能ベースの最適化と組み合わせて、初期設計段階で最適な織物複合アーキテクチャを決定することができる。
織物複合アーキテクチャとその機械的応答の関連に加えて,本研究は,建築機能がどのように機械的応答を制御しているのかを深く理解する。
提案手法は, 織物複合解析と最適化を主目的とし, 複雑な構造解析に物理知識誘導ニューラルネットワークを導入する出発点となることを期待する。
関連論文リスト
- Principled Architecture-aware Scaling of Hyperparameters [69.98414153320894]
高品質のディープニューラルネットワークをトレーニングするには、非自明で高価なプロセスである適切なハイパーパラメータを選択する必要がある。
本研究では,ネットワークアーキテクチャにおける初期化と最大学習率の依存性を正確に評価する。
ネットワークランキングは、ベンチマークのトレーニングネットワークにより容易に変更可能であることを実証する。
論文 参考訳(メタデータ) (2024-02-27T11:52:49Z) - Latent Diffusion Models for Structural Component Design [11.342098118480802]
本稿では,構造部品の生成設計のための枠組みを提案する。
我々は、問題固有の負荷条件のセットを満たすことができるコンポーネントの潜在的な設計を生成するために、遅延拡散モデルを用いる。
論文 参考訳(メタデータ) (2023-09-20T19:28:45Z) - Disentangling Structured Components: Towards Adaptive, Interpretable and
Scalable Time Series Forecasting [52.47493322446537]
本研究では,時空間パターンの各コンポーネントを個別にモデル化する適応的,解釈可能,スケーラブルな予測フレームワークを開発する。
SCNNは、空間時間パターンの潜在構造を算術的に特徴づける、MSSの事前定義された生成プロセスで動作する。
SCNNが3つの実世界のデータセットの最先端モデルよりも優れた性能を達成できることを示すため、大規模な実験が行われた。
論文 参考訳(メタデータ) (2023-05-22T13:39:44Z) - 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) - Hysteretic Behavior Simulation Based on Pyramid Neural
Network:Principle, Network Architecture, Case Study and Explanation [0.0]
ニューラルネットワークに基づく代理モデルでは、効率と精度のバランスをとる大きな可能性を示している。
単一レベルの特徴に基づく連続的な情報フローと予測は、ネットワーク性能に悪影響を及ぼす。
ここでは重み付けされたピラミッドニューラルネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-04-29T16:42:00Z) - A multi-task learning-based optimization approach for finding diverse
sets of material microstructures with desired properties and its application
to texture optimization [1.6311150636417262]
本稿では,材料テクスチャ最適化のためのマルチタスク学習手法を提案する。
このアプローチは、マルチタスク学習とシアムネットワークを組み合わせた機械学習モデルと相互作用する最適化アルゴリズムで構成されている。
論文 参考訳(メタデータ) (2021-10-27T08:25:26Z) - Efficient Micro-Structured Weight Unification and Pruning for Neural
Network Compression [56.83861738731913]
ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。
既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。
ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
論文 参考訳(メタデータ) (2021-06-15T17:22:59Z) - Inter-layer Transition in Neural Architecture Search [89.00449751022771]
本論文では、連結エッジのアーキテクチャ重み間の依存性を明示的にモデル化する。
5つのベンチマーク実験により、層間依存性のモデル化の価値を確認し、提案手法が最先端の手法より優れていることを示す。
論文 参考訳(メタデータ) (2020-11-30T03:33:52Z) - Deep Generative Modeling for Mechanistic-based Learning and Design of
Metamaterial Systems [20.659457956055366]
深部生成モデルに基づく新しいデータ駆動メタマテリアル設計フレームワークを提案する。
本研究では,VAEの潜伏空間が,形状類似度を測定するための距離メートル法を提供することを示す。
機能的グレードとヘテロジニアスなメタマテリアルシステムの両方を設計することで、我々のフレームワークを実証する。
論文 参考訳(メタデータ) (2020-06-27T03:56:55Z) - A Semi-Supervised Assessor of Neural Architectures [157.76189339451565]
我々は、ニューラルネットワークの有意義な表現を見つけるためにオートエンコーダを用いる。
アーキテクチャの性能を予測するために、グラフ畳み込みニューラルネットワークを導入する。
論文 参考訳(メタデータ) (2020-05-14T09:02:33Z) - Topology optimization of 2D structures with nonlinearities using deep
learning [0.0]
クラウドコンピューティングは最適な非線形構造を探索することを可能にする。
最適化設計を予測するための畳み込みニューラルネットワークモデルを開発した。
開発したモデルは、反復的なスキームを必要とせずに、最適化された設計を正確に予測することができる。
論文 参考訳(メタデータ) (2020-01-31T12:36:17Z)
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。