論文の概要: A micromechanics-based recurrent neural networks model for
path-dependent cyclic deformation of short fiber composites
- arxiv url: http://arxiv.org/abs/2210.00842v1
- Date: Tue, 27 Sep 2022 12:14:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 17:03:29.084726
- Title: A micromechanics-based recurrent neural networks model for
path-dependent cyclic deformation of short fiber composites
- Title(参考訳): 短繊維複合材料の経路依存循環変形に対するマイクロメカニクスに基づくリカレントニューラルネットワークモデル
- Authors: J. Friemann, B. Dashtbozorg, M. Fagerstr\"om, S.M. Mirkhalaf
- Abstract要約: 本研究では, 短繊維強化複合材料の経路依存性弾塑性応力応答を予測するために, 繰り返し深部ニューラルネットワークモデルを訓練する。
このモデルは、独立したマイクロメカニカルシミュレーションと比較した場合、計算的に非常に正確な予測を与える。
- 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: The macroscopic response of short fiber reinforced composites is dependent on
an extensive range of microstructural parameters. Thus, micromechanical
modeling of these materials is challenging and in some cases, computationally
expensive. This is particularly important when path-dependent plastic behavior
is needed to be predicted. A solution to this challenge is to enhance
micromechanical solutions with machine learning techniques such as artificial
neural networks. In this work, a recurrent deep neural network model is trained
to predict the path-dependent elasto-plastic stress response of short fiber
reinforced composites, given the microstructural parameters and the strain
path. Micromechanical meanfield simulations are conducted to create a data base
for training the validating the model. The model gives very accurate
predictions in a computationally efficient manner when compared with
independent micromechanical simulations.
- Abstract(参考訳): 短繊維強化複合材料のマクロ応答は, 広範囲のミクロ組織パラメータに依存する。
したがって、これらの材料のマイクロメカニカルモデリングは困難であり、場合によっては計算コストがかかる。
これは、経路依存的なプラスチックの挙動を予測する必要がある場合に特に重要である。
この課題の解決策は、人工ニューラルネットワークのような機械学習技術によるマイクロメカニカルソリューションを強化することである。
本研究では, 短繊維強化複合材料の経路依存性弾塑性応力応答を予測するために, 微細構造パラメータとひずみ経路を考慮し, 繰り返し深部ニューラルネットワークモデルを訓練した。
マイクロメカニカル平均場シミュレーションを行い、モデルの検証をトレーニングするためのデータベースを作成する。
このモデルは、独立したマイクロメカニカルシミュレーションと比較した場合、計算的に非常に正確な予測を与える。
関連論文リスト
- A Microstructure-based Graph Neural Network for Accelerating Multiscale
Simulations [0.0]
本稿では,この問題のマルチスケール性を維持するための代替的な代理モデル戦略を提案する。
我々は, 顕微鏡材料モデルを維持しながら, グラフニューラルネットワーク(GNN)を用いて, フルフィールドの顕微鏡歪みを予測した。
本研究では,サロゲートが複雑なマクロな応力-ひずみ経路を予測可能であることを示す。
論文 参考訳(メタデータ) (2024-02-20T15:54:24Z) - A Neural Network Transformer Model for Composite Microstructure
Homogenization [0.0]
複合組織における不均一性と不確実性は、厳密にモデル化された場合の計算ボトルネックや、応力場における不正確な解や、近似された場合の故障予測につながる。
本稿では,様々なミクロ構造や構成成分の知識を捉えるトランスフォーマーニューラルネットワークアーキテクチャについて述べる。
論文 参考訳(メタデータ) (2023-04-16T19:57:52Z) - Three-dimensional microstructure generation using generative adversarial
neural networks in the context of continuum micromechanics [77.34726150561087]
本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。
軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
論文 参考訳(メタデータ) (2022-05-31T13:26:51Z) - 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) - 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) - Thermodynamics-based Artificial Neural Networks (TANN) for multiscale
modeling of materials with inelastic microstructure [0.0]
マルチスケールの均質化手法は、非弾性材料のマクロ力学的挙動の信頼性と正確な予測を行うためにしばしば用いられる。
ディープラーニングに基づくデータ駆動型アプローチは、アドホックな法則や高速な数値手法に代わる、有望な代替手段として台頭している。
本稿では,非弾性・複雑な構造を持つ機械材料のモデリングのための熱力学に基づくニューラルネットワーク(TANN)を提案する。
論文 参考訳(メタデータ) (2021-08-30T11:50:38Z) - 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) - Invertible Surrogate Models: Joint surrogate modelling and
reconstruction of Laser-Wakefield Acceleration by invertible neural networks [55.41644538483948]
可逆ニューラルネットワークは、機械学習の最近の技術である。
我々は、レーザープラズマ加速器(iLWFA)に関わる物理学の複雑な前方シミュレーションを近似する可逆サロゲートモデルを導入する。
論文 参考訳(メタデータ) (2021-06-01T12:26:10Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳(メタデータ) (2020-10-20T08:36:51Z) - Predicting Mechanical Properties from Microstructure Images in
Fiber-reinforced Polymers using Convolutional Neural Networks [8.023452876968694]
本稿では,繊維強化ポリマー試料の2次元分割トモグラフィ画像の応力場予測のために,ScressNetから修正した完全畳み込みニューラルネットワークについて検討する。
トレーニングされたモデルは、通常のラップトップ上で1回のフォワードパスで数秒以内に予測を行うことができ、ハイパフォーマンスなコンピューティングクラスタ上で完全な有限要素シミュレーションを実行するのに92.5時間かかる。
論文 参考訳(メタデータ) (2020-10-07T22:15:48Z) - Deep learning for synthetic microstructure generation in a
materials-by-design framework for heterogeneous energetic materials [0.0]
化学反応のマルチスケール予測モデルは、メソスケールの物理を説明する。
メソスケール物理は、メソスケールの解決されたシミュレーションによって誘導される機械学習閉包モデルに注入される。
本稿では, 合成ヘテロジニアス系エネルギー材料マイクロ構造のアンサンブルを生成するために, GAN(Generative Adversarial Network)を活用することを提案する。
論文 参考訳(メタデータ) (2020-04-05T16:58:31Z)
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。