論文の概要: AI enhanced finite element multiscale modelling and structural uncertainty analysis of a functionally graded porous beam

• arxiv url: http://arxiv.org/abs/2211.01970v1
• Date: Wed, 2 Nov 2022 07:36:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-04 12:34:44.972216
• Title: AI enhanced finite element multiscale modelling and structural uncertainty analysis of a functionally graded porous beam
• Title（参考訳）: 機能性傾斜多孔質ビームのAI強化有限要素マルチスケールモデリングと構造不確かさ解析
• Authors: Da Chen, Nima Emami, Shahed Rezaei, Philipp L. Rosendahl, Bai-Xiang Xu, Jens Schneider, Kang Gao, Jie Yang
• Abstract要約: 金属発泡体の局所的幾何学的ランダム性は多孔質構造の性能予測に複雑さをもたらす。 本研究では, マルチスケールモデリングと深層学習を組み合わせることで, 発泡特性を効率的に評価するための評価戦略を開発した。
• 参考スコア（独自算出の注目度）: 11.994242021813696
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The local geometrical randomness of metal foams brings complexities to the performance prediction of porous structures. Although the relative density is commonly deemed as the key factor, the stochasticity of internal cell sizes and shapes has an apparent effect on the porous structural behaviour but the corresponding measurement is challenging. To address this issue, we are aimed to develop an assessment strategy for efficiently examining the foam properties by combining multiscale modelling and deep learning. The multiscale modelling is based on the finite element (FE) simulation employing representative volume elements (RVEs) with random cellular morphologies, mimicking the typical features of closed-cell Aluminium foams. A deep learning database is constructed for training the designed convolutional neural networks (CNNs) to establish a direct link between the mesoscopic porosity characteristics and the effective Youngs modulus of foams. The error range of CNN models leads to an uncertain mechanical performance, which is further evaluated in a structural uncertainty analysis on the FG porous three-layer beam consisting of two thin high-density layers and a thick low-density one, where the imprecise CNN predicted moduli are represented as triangular fuzzy numbers in double parametric form. The uncertain beam bending deflections under a mid-span point load are calculated with the aid of Timoshenko beam theory and the Ritz method. Our findings suggest the success in training CNN models to estimate RVE modulus using images with an average error of 5.92%. The evaluation of FG porous structures can be significantly simplified with the proposed method and connects to the mesoscopic cellular morphologies without establishing the mechanics model for local foams.
• Abstract（参考訳）: 金属発泡体の局所的幾何学的ランダム性は多孔質構造の性能予測に複雑さをもたらす。 相対密度は一般に鍵要因とされているが、内部細胞の大きさと形状の確率性は多孔質構造挙動に明らかな影響を及ぼすが、対応する測定は困難である。 本研究では, マルチスケールモデリングと深層学習を組み合わせることで, 発泡特性を効率的に評価するための評価戦略を開発することを目的とする。 マルチスケールモデリングは, 有限要素 (FE) シミュレーションをベースとし, 有限要素 (FE) をランダムなセル形状を持つ代表体積要素 (RVE) を用いて行う。 設計した畳み込みニューラルネットワーク(CNN)をトレーニングし、メソスコピックポーシティ特性と発泡体の有効ヤングス率との直接リンクを確立するためのディープラーニングデータベースを構築した。 CNNモデルの誤差範囲は不確実な機械的性能をもたらすが、これは2つの薄い高密度層と厚い低密度層からなるFG多孔質3層ビームの構造不確実性解析においてさらに評価され、不正確なCNN予測モジュラーは二重パラメトリック形式で三角形ファジィ数として表される。 中間スパン点荷重下の不確実なビーム曲げ変形は, ティモシェンコビーム理論とリッツ法を用いて計算した。 その結果, 平均誤差5.92%の画像を用いて, RVE係数を推定するためのCNNモデルのトレーニングに成功したことが示唆された。 FG多孔質構造の評価は提案手法により大幅に単純化でき, 局所発泡の力学モデルを確立することなく, メソスコピックな細胞形態に接続することができる。

関連論文リスト

• Isomorphic Pruning for Vision Models [56.286064975443026]
  構造化プルーニングは、冗長なサブ構造を取り除くことによって、ディープニューラルネットワークの計算オーバーヘッドを低減する。 Isomorphic Pruningは、ネットワークアーキテクチャの範囲で有効性を示すシンプルなアプローチである。
  論文  参考訳（メタデータ） (2024-07-05T16:14:53Z)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• Physics-informed Gaussian process model for Euler-Bernoulli beam elements [0.0]
  物理インフォームド機械学習モデルをEuler-Bernoulliビーム方程式を用いて定式化する。 このモデルは、構造物の曲げ剛性の分析値の回帰、応答の補間、潜在物理量に対する確率的推論に使うことができる。
  論文  参考訳（メタデータ） (2023-08-05T14:48:37Z)
• A Model for Multi-View Residual Covariances based on Perspective Deformation [88.21738020902411]
  マルチビューSfM, オードメトリ, SLAMセットアップにおける視覚的残差の共分散モデルの導出を行う。 我々は、合成データと実データを用いてモデルを検証し、それを光度および特徴量に基づくバンドル調整に統合する。
  論文  参考訳（メタデータ） (2022-02-01T21:21:56Z)
• 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)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Deep Convolutional Neural Networks Predict Elasticity Tensors and their Bounds in Homogenization [0.0]
  3次元畳み込みニューラルネットワーク(CNN)は、ランダムな異種二相材料と弾力的なマクロスケールの硬さを結びつけるよう訓練されている。 CNNは、標準試験セットだけでなく、ダイヤモンドベースのコーティングの実際の2相微細構造のサンプルにも予測精度を示す。
  論文  参考訳（メタデータ） (2021-09-04T15:46:12Z)
• Moser Flow: Divergence-based Generative Modeling on Manifolds [49.04974733536027]
  Moser Flow (MF) は連続正規化フロー(CNF)ファミリーにおける新しい生成モデルのクラスである MFは、訓練中にODEソルバを介して呼び出しやバックプロパゲートを必要としない。 一般曲面からのサンプリングにおけるフローモデルの利用を初めて実演する。
  論文  参考訳（メタデータ） (2021-08-18T09:00:24Z)
• Cell division in deep material networks applied to multiscale strain localization modeling [0.0]
  deep material networks(dmn)は、ビルディングブロックに組み込みメカニクスを持つ機械学習モデルである。 ネットワーク上のスケール遷移を追跡するために新しいセル分割スキームが提案され、その一貫性は適合パラメータの物理によって保証される。 細胞中の新たな亀裂表面は凝集層を豊かにすることでモデル化され、亀裂発生と進化のために障害アルゴリズムが開発されている。
  論文  参考訳（メタデータ） (2021-01-18T18:24:51Z)
• A Computationally Tractable Framework for Nonlinear Dynamic Multiscale Modeling of Membrane Fabric [0.0]
  このフレームワークは、周期的サブスケール構造の局所化部分を有限要素を用いてモデル化する「有限要素二乗」(または FE2)法の一般化である。 この枠組みは、織布製のパラシュートキャノピーの超音速インフレーションを含む現実的な火星着陸アプリケーションとして実証され、検証されている。
  論文  参考訳（メタデータ） (2020-07-12T00:05:11Z)

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。