論文の概要: Modular machine learning-based elastoplasticity: generalization in the context of limited data

• arxiv url: http://arxiv.org/abs/2210.08343v1
• Date: Sat, 15 Oct 2022 17:35:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 21:43:38.938352
• Title: Modular machine learning-based elastoplasticity: generalization in the context of limited data
• Title（参考訳）: Modular Machine Learning-based elastoplasticity--限定データの文脈における一般化
• Authors: Jan N. Fuhg, Craig M. Hamel, Kyle Johnson, Reese Jones, Nikolaos Bouklas
• Abstract要約: エラスト塑性の定式化のモジュラリティに頼って,データの変動量に対処できるハイブリッドフレームワークについて論じる。 発見された物質モデルは、よく補間できるだけでなく、トレーニングデータの領域外から熱力学的に一貫した方法で正確な外挿を可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The development of accurate constitutive models for materials that undergo path-dependent processes continues to be a complex challenge in computational solid mechanics. Challenges arise both in considering the appropriate model assumptions and from the viewpoint of data availability, verification, and validation. Recently, data-driven modeling approaches have been proposed that aim to establish stress-evolution laws that avoid user-chosen functional forms by relying on machine learning representations and algorithms. However, these approaches not only require a significant amount of data but also need data that probes the full stress space with a variety of complex loading paths. Furthermore, they rarely enforce all necessary thermodynamic principles as hard constraints. Hence, they are in particular not suitable for low-data or limited-data regimes, where the first arises from the cost of obtaining the data and the latter from the experimental limitations of obtaining labeled data, which is commonly the case in engineering applications. In this work, we discuss a hybrid framework that can work on a variable amount of data by relying on the modularity of the elastoplasticity formulation where each component of the model can be chosen to be either a classical phenomenological or a data-driven model depending on the amount of available information and the complexity of the response. The method is tested on synthetic uniaxial data coming from simulations as well as cyclic experimental data for structural materials. The discovered material models are found to not only interpolate well but also allow for accurate extrapolation in a thermodynamically consistent manner far outside the domain of the training data. Training aspects and details of the implementation of these models into Finite Element simulations are discussed and analyzed.
• Abstract（参考訳）: パス依存プロセスを行う材料に対する正確な構成モデルの開発は、計算固体力学における複雑な課題である。 課題は、適切なモデル仮定と、データの可用性、検証、検証の両方の観点から生じる。 近年,機械学習の表現とアルゴリズムに依拠して,ユーザ・チョーセン機能形式を回避し,ストレス進化法を確立するためのデータ駆動モデリング手法が提案されている。 しかし、これらのアプローチは大量のデータを必要とするだけでなく、様々な複雑なロードパスで応力空間全体を探究するデータも必要である。 さらに、厳しい制約として必要な全ての熱力学原理を強制することは滅多にない。 したがって、特に低データまたは限られたデータレジームには適さないが、最初のものはデータを取得するコストから発生し、後者は、エンジニアリングアプリケーションで一般的に用いられるラベル付きデータを得るための実験的制限から生じる。 本研究では, モデルの各コンポーネントが, 利用可能な情報量や応答の複雑さに応じて, 古典的現象学またはデータ駆動モデルのいずれかに選択できる, エラスト塑性定式化のモジュラリティに依存することによって, 変動量のデータを扱うことができるハイブリッドフレームワークについて論じる。 本手法は, シミュレーションによる合成一軸データと, 構造材料の繰り返し実験データを用いて実験を行った。 発見された物質モデルは、よく補間できるだけでなく、トレーニングデータの領域外から熱力学的に一貫した方法で正確な外挿を可能にする。 有限要素シミュレーションへのこれらのモデルの実装に関するトレーニングの側面と詳細について論じ、分析する。

関連論文リスト

• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Learning Latent Dynamics via Invariant Decomposition and (Spatio-)Temporal Transformers [0.6767885381740952]
  本研究では,高次元経験データから力学系を学習する手法を提案する。 我々は、システムの複数の異なるインスタンスからデータが利用できる設定に焦点を当てる。 我々は、単純な理論的分析と、合成および実世界のデータセットに関する広範な実験を通して行動を研究する。
  論文  参考訳（メタデータ） (2023-06-21T07:52:07Z)
• Scientific Machine Learning for Modeling and Simulating Complex Fluids [0.0]
  レオロジー方程式は複雑な流体の内部応力と変形を関連づける。 データ駆動モデルは、高価な第一原理モデルに代わる、アクセス可能な代替手段を提供する。 複素流体の類似モデルの開発が遅れている。
  論文  参考訳（メタデータ） (2022-10-10T04:35:31Z)
• Thermodynamically Consistent Machine-Learned Internal State Variable Approach for Data-Driven Modeling of Path-Dependent Materials [0.76146285961466]
  ディープニューラルネットワークやリカレントニューラルネットワーク(RNN)などのデータ駆動機械学習モデルが,現実的な代替手段になりつつある。 本研究では,計測可能な材料に基づく経路依存材料に対する,機械学習型ロバスト性駆動型モデリング手法を提案する。
  論文  参考訳（メタデータ） (2022-05-01T23:25:08Z)
• Calibrating constitutive models with full-field data via physics informed neural networks [0.0]
  実フィールド変位データに基づくモデルパラメータ化の発見のための物理インフォームド深層学習フレームワークを提案する。 我々は、ニューラルネットワークの予測に物理的な制約を課すために、強い形式ではなく、支配方程式の弱い形式で作業する。 我々は、インフォメーション機械学習が実現可能な技術であり、モデルのキャリブレーションにフルフィールド実験データをどのように利用するかというパラダイムを変える可能性があることを実証した。
  論文  参考訳（メタデータ） (2022-03-30T18:07:44Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Model-agnostic multi-objective approach for the evolutionary discovery of mathematical models [55.41644538483948]
  現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。 合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
  論文  参考訳（メタデータ） (2021-07-07T11:17:09Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)

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。