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

• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
  我々は、MBOタスクの構造を学習し、経験的に改良された設計につながるモデルを開発する。 我々はCliqueformerを、高次元のブラックボックス機能から、化学・遺伝設計の現実的なタスクまで、様々なタスクで評価する。
  論文  参考訳（メタデータ） (2024-10-17T00:35:47Z)
• Exploring the design space of deep-learning-based weather forecasting systems [56.129148006412855]
  本稿では,異なる設計選択がディープラーニングに基づく天気予報システムに与える影響を系統的に分析する。 UNet、完全畳み込みアーキテクチャ、トランスフォーマーベースモデルなどの固定グリッドアーキテクチャについて検討する。 固定グリッドモデルの強靭な性能とグリッド不変アーキテクチャの柔軟性を組み合わせたハイブリッドシステムを提案する。
  論文  参考訳（メタデータ） (2024-10-09T22:25:50Z)
• Consistent machine learning for topology optimization with microstructure-dependent neural network material models [0.0]
  空間的に異なるミクロ構造対称性と異なる異なるマイクロ構造記述子を持つマルチスケール構造のためのフレームワークを提案する。 本研究は,密度に基づく設計最適化と整合性の統合の可能性を明らかにする。
  論文  参考訳（メタデータ） (2024-08-25T14:17:43Z)
• Gradient-based Design of Computational Granular Crystals [0.22499166814992436]
  本研究では,物質中の波動伝搬の時間的ダイナミクスとリカレントニューラルネットワークの計算力学の類似性を構築し,高調波駆動結晶のための勾配最適化フレームワークを開発する。 本研究は, メタマテリアルの内在的設計空間を大きく拡張するグラデーションに基づく最適化手法であることを示す。
  論文  参考訳（メタデータ） (2024-04-07T06:24:47Z)
• Mechanistic Design and Scaling of Hybrid Architectures [114.3129802943915]
  我々は、様々な計算プリミティブから構築された新しいハイブリッドアーキテクチャを特定し、テストする。 本研究では,大規模計算最適法則と新しい状態最適スケーリング法則解析を用いて,結果のアーキテクチャを実験的に検証する。 我々は,MAD合成法と計算-最適パープレキシティを相関させ,新しいアーキテクチャの正確な評価を可能にする。
  論文  参考訳（メタデータ） (2024-03-26T16:33:12Z)
• 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)
• 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)
• 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)
• 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)
• 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。