論文の概要: Data-driven multi-scale modeling and robust optimization of composite
structure with uncertainty quantification
- arxiv url: http://arxiv.org/abs/2210.09055v2
- Date: Fri, 4 Nov 2022 21:41:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 11:49:29.082543
- Title: Data-driven multi-scale modeling and robust optimization of composite
structure with uncertainty quantification
- Title（参考訳）: データ駆動型マルチスケールモデリングと不確実性定量化による複合構造のロバスト最適化
- Authors: Kazuma Kobayashi, Shoaib Usman, Carlos Castano, Dinesh Kumar, Syed
Alam
- Abstract要約: この章では、先進的なデータ駆動手法を示し、先進的な複合材料をマルチスケールでモデリングするために開発・追加する能力について概説する。
代理モデル/エミュレータによって駆動される有限要素法(FEM)シミュレーションに基づく複合構造物のマルチスケールモデリング手法を提案する。
- 参考スコア（独自算出の注目度）: 0.42581756453559755
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: It is important to accurately model materials' properties at lower length
scales (micro-level) while translating the effects to the components and/or
system level (macro-level) can significantly reduce the amount of
experimentation required to develop new technologies. Robustness analysis of
fuel and structural performance for harsh environments (such as power uprated
reactor systems or aerospace applications) using machine learning-based
multi-scale modeling and robust optimization under uncertainties are required.
The fiber and matrix material characteristics are potential sources of
uncertainty at the microscale. The stacking sequence (angles of stacking and
thickness of layers) of composite layers causes meso-scale uncertainties. It is
also possible for macro-scale uncertainties to arise from system properties,
like the load or the initial conditions. This chapter demonstrates advanced
data-driven methods and outlines the specific capability that must be
developed/added for the multi-scale modeling of advanced composite materials.
This chapter proposes a multi-scale modeling method for composite structures
based on a finite element method (FEM) simulation driven by surrogate
models/emulators based on microstructurally informed meso-scale materials
models to study the impact of operational parameters/uncertainties using
machine learning approaches. To ensure optimal composite materials, composite
properties are optimized with respect to initial materials volume fraction
using data-driven numerical algorithms.
- Abstract（参考訳）: 材料特性を低スケール(マイクロレベル)で正確にモデル化することが重要であり、その効果をコンポーネントやシステムレベル(マクロレベル)に翻訳することで、新しい技術の開発に必要な実験量を著しく削減することができる。
機械学習に基づくマルチスケールモデリングと不確実性下でのロバスト最適化を用いた過酷な環境(高出力原子炉システムや航空宇宙応用など)における燃料と構造性能のロバスト性解析が必要である。
繊維とマトリックスの材料特性は、マイクロスケールにおける不確かさの潜在的な源である。
複合層の積層配列(層厚と層厚の角度)はメソスケールの不確実性を引き起こす。
また、負荷や初期条件などのシステム特性からマクロスケールの不確実性が発生することも可能である。
本章では, 先進的データ駆動手法を示し, 複合材料のマルチスケールモデリングのために, 開発・追加しなければならない特質について概説する。
本章では,有限要素法による有限要素法(fem)シミュレーションに基づく複合構造物の多次元モデリング手法を提案する。
最適な複合材料を確保するため、データ駆動数値アルゴリズムを用いて、初期材料体積率に対して合成特性を最適化する。
関連論文リスト
- Foundation Model for Composite Materials and Microstructural Analysis [49.1574468325115]
複合材料に特化して設計された基礎モデルを提案する。
我々のモデルは、頑健な潜伏特性を学習するために、短繊維コンポジットのデータセット上で事前訓練されている。
転送学習中、MMAEはR2スコアが0.959に達し、限られたデータで訓練しても0.91を超えている均質化剛性を正確に予測する。
論文 参考訳（メタデータ） (2024-11-10T19:06:25Z) - Efficient Symmetry-Aware Materials Generation via Hierarchical Generative Flow Networks [52.13486402193811]
新しい固体材料は、結晶構造の広大な空間を急速に探索し、安定した領域を探索する必要がある。
既存の手法では、大きな材料空間を探索し、望ましい特性と要求を持った多様なサンプルを生成するのに苦労している。
本研究では, 材料空間の対称性を効果的に活用し, 所望の特性を持つ結晶構造を生成するために, 階層的探索戦略を用いた新しい生成モデルを提案する。
論文 参考訳（メタデータ） (2024-11-06T23:53:34Z) - Scalable Diffusion for Materials Generation [99.71001883652211]
我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。
UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。
材料の生成モデルを評価するための追加指標を提案する。
論文 参考訳（メタデータ） (2023-10-18T15:49:39Z) - A hybrid machine learning framework for clad characteristics prediction
in metal additive manufacturing [0.0]
金属添加物製造(MAM)は大きな発展を遂げており、多くの注目を集めている。
MAMプロセスの複雑な性質から,MAMプリントクラッドの特性に対する処理パラメータの影響を予測することは困難である。
機械学習(ML)技術は、プロセスの基礎となる物理と処理パラメータをクラッド特性に結びつけるのに役立つ。
論文 参考訳（メタデータ） (2023-07-04T18:32:41Z) - LS-DYNA Machine Learning-based Multiscale Method for Nonlinear Modeling
of Short Fiber-Reinforced Composites [7.891561501854125]
短繊維強化複合材料(英: short-fiber-reinforceed Composites、SFRC)は、自動車やエレクトロニクス産業における軽量構造応用のための高性能な工学材料である。
本研究では, 射出成形による微細構造, 材料均質化, 深層材料ネットワーク(DMN)を統合し, SFRCの構造解析を行う機械学習によるマルチスケール手法を提案する。
論文 参考訳（メタデータ） (2023-01-06T22:33:19Z) - How to See Hidden Patterns in Metamaterials with Interpretable Machine
Learning [82.67551367327634]
我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。
具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
論文 参考訳（メタデータ） (2021-11-10T21:19:02Z) - A Supervised Machine Learning Approach for Accelerating the Design of
Particulate Composites: Application to Thermal Conductivity [0.0]
粒子状多機能複合材料の設計のための教師付き機械学習(ML)に基づく計算手法を提案する。
設計変数(英: design variables)は、材料のミクロ構造と材料の性質を直接リンクする物理的記述子である。
最適化ML法は, 生成データベース上で学習し, 構造と特性の複雑な関係を確立する。
論文 参考訳（メタデータ） (2020-09-30T18:18:00Z) - Predictive modeling approaches in laser-based material processing [59.04160452043105]
本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。
その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。
結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
論文 参考訳（メタデータ） (2020-06-13T17:28:52Z) - Learning Composable Energy Surrogates for PDE Order Reduction [28.93892833892805]
パラメトリックなモジュラー構造を用いてコンポーネントレベルのサロゲートを学習し、より安価な高忠実度シミュレーションを実現する。
ニューラルネットワークを用いて、所定の境界条件で格納されたポテンシャルエネルギーをモデル化する。
構成可能なエネルギーサロゲートは、コンポーネント境界の縮小に基づくシミュレーションを可能にする。
論文 参考訳（メタデータ） (2020-05-13T19:41:24Z) - Intelligent multiscale simulation based on process-guided composite
database [0.0]
本稿では、プロセスモデリング、材料均質化、機械学習に基づく統合データ駆動モデリングフレームワークを提案する。
我々は, 自動車, 航空宇宙, エレクトロニクス産業において重要な材料システムとして認識されてきた, 射出成形した短繊維強化複合材料に興味を持っている。
論文 参考訳（メタデータ） (2020-03-20T20:39:19Z) - Multilinear Compressive Learning with Prior Knowledge [106.12874293597754]
マルチリニア圧縮学習(MCL)フレームワークは、マルチリニア圧縮センシングと機械学習をエンドツーエンドシステムに統合する。
MCLの背後にある主要なアイデアは、下流学習タスクの信号から重要な特徴を捉えることのできるテンソル部分空間の存在を仮定することである。
本稿では、上記の要件、すなわち、関心の信号が分離可能なテンソル部分空間をどうやって見つけるかという、2つの要件に対処する新しい解決策を提案する。
論文 参考訳（メタデータ） (2020-02-17T19:06:05Z)
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。