論文の概要: Physics-Constrained Neural Network for Design and Feature-Based Optimization of Weave Architectures

• arxiv url: http://arxiv.org/abs/2209.09154v2
• Date: Fri, 24 Nov 2023 12:56:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-28 05:09:49.454470
• Title: Physics-Constrained Neural Network for Design and Feature-Based Optimization of Weave Architectures
• Title（参考訳）: ウィービングアーキテクチャの設計と特徴に基づく最適化のための物理制約ニューラルネットワーク
• Authors: Haotian Feng, Sabarinathan P Subramaniyan, Hridyesh Tewani, Pavana Prabhakar
• Abstract要約: 本稿では,新しい物理制約ニューラルネットワーク(PCNN)を提案する。 提案したPCNNは,提案した基準モデルよりも高い精度で,所望の弾性率の織り込みを効果的に予測できることを示す。
• 参考スコア（独自算出の注目度）: 0.6144680854063939
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Woven fabrics play an essential role in everyday textiles for clothing/sportswear, water filtration, and retaining walls, to reinforcements in stiff composites for lightweight structures like aerospace, sporting, automotive, and marine industries. Several possible combinations of weave patterns and material choices, which comprise weave architecture, present a challenging question about how they could influence the physical and mechanical properties of woven fabrics and reinforced structures. In this paper, we present a novel Physics-Constrained Neural Network (PCNN) to predict the mechanical properties like the modulus of weave architectures and the inverse problem of predicting pattern/material sequence for a design/target modulus value. The inverse problem is particularly challenging as it usually requires many iterations to find the appropriate architecture using traditional optimization approaches. We show that the proposed PCNN can effectively predict weave architecture for the desired modulus with higher accuracy than several baseline models considered. We present a feature-based optimization strategy to improve the predictions using features in the Grey Level Co-occurrence Matrix (GLCM) space. We combine PCNN with this feature-based optimization to discover near-optimal weave architectures to facilitate the initial design of weave architecture. The proposed frameworks will primarily enable the woven composite analysis and optimization process, and be a starting point to introduce Knowledge-guided Neural Networks into the complex structural analysis.
• Abstract（参考訳）: 織布は、衣服やスポーツウェア、水ろ過、壁の保持といった日常的な織物や、航空宇宙、スポーツ、自動車、海洋産業などの軽量な構造のための硬い複合材料に不可欠な役割を担っている。 織り構造を構成する織りパターンと材料選択のいくつかの組み合わせは、織物や強化構造物の物理的・機械的特性にどのように影響を与えるかという課題を提起する。 本稿では, 物理制約型ニューラルネットワーク(PCNN)を用いて, 織物建築の弾性率などの力学特性と, 設計・ターゲットの弾性率値に対するパターン/材料シーケンスの逆問題を予測する。 逆問題は通常、従来の最適化アプローチを使って適切なアーキテクチャを見つけるために多くのイテレーションを必要とするため、特に難しい。 提案したPCNNは,提案した基準モデルよりも高い精度で,所望の弾性率の織り込みを効果的に予測できることを示す。 本稿では,Grey Level Co-occurrence Matrix (GLCM) における特徴量を用いた予測の最適化手法を提案する。 我々はPCNNとこの特徴に基づく最適化を組み合わせることで、ウィーブアーキテクチャの初期設計を容易にするために、ほぼ最適なウィーブアーキテクチャを発見する。 提案するフレームワークは、主に織物の複合解析と最適化プロセスを可能とし、複雑な構造解析に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。

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。