Fugu-MT 論文翻訳(概要): A generalized machine learning framework for brittle crack problems using transfer learning and graph neural networks

論文の概要: A generalized machine learning framework for brittle crack problems using transfer learning and graph neural networks

arxiv url: http://arxiv.org/abs/2211.12459v1
Date: Tue, 22 Nov 2022 18:16:16 GMT
ステータス: 処理完了
システム内更新日: 2022-11-23 19:21:45.666360
Title: A generalized machine learning framework for brittle crack problems using transfer learning and graph neural networks
Title（参考訳）: 伝達学習とグラフニューラルネットワークを用いた脆性き裂問題の一般化機械学習フレームワーク
Authors: Roberto Perera, Vinamra Agrawal
Abstract要約: 我々は、大きなデータセットで再トレーニングする必要性を回避するために、転送学習アプローチを使用します。本研究では, ひび割れ進展と応力進展を予測できるACCURATEの能力を, 未確認症例に対して高い精度で示す。このフレームワークは、将来の作業で容易に修正または拡張できる普遍的な計算破壊力学モデルを提供する。
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: Despite their recent success, machine learning (ML) models such as graph neural networks (GNNs), suffer from drawbacks such as the need for large training datasets and poor performance for unseen cases. In this work, we use transfer learning (TL) approaches to circumvent the need for retraining with large datasets. We apply TL to an existing ML framework, trained to predict multiple crack propagation and stress evolution in brittle materials under Mode-I loading. The new framework, ACCelerated Universal fRAcTure Emulator (ACCURATE), is generalized to a variety of crack problems by using a sequence of TL update steps including (i) arbitrary crack lengths, (ii) arbitrary crack orientations, (iii) square domains, (iv) horizontal domains, and (v) shear loadings. We show that using small training datasets of 20 simulations for each TL update step, ACCURATE achieved high prediction accuracy in Mode-I and Mode-II stress intensity factors, and crack paths for these problems. %case studies (i) - (iv). We demonstrate ACCURATE's ability to predict crack growth and stress evolution with high accuracy for unseen cases involving the combination of new boundary dimensions with arbitrary crack lengths and crack orientations in both tensile and shear loading. We also demonstrate significantly accelerated simulation times of up to 2 orders of magnitude faster (200x) compared to an XFEM-based fracture model. The ACCURATE framework provides a universal computational fracture mechanics model that can be easily modified or extended in future work.
Abstract（参考訳）: 最近の成功にもかかわらず、グラフニューラルネットワーク(GNN)のような機械学習(ML)モデルは、大規模なトレーニングデータセットの必要性や、目に見えないケースではパフォーマンスの低下といった欠点に悩まされている。本研究では,大規模なデータセットによる再トレーニングを回避するために,転送学習(TL)アプローチを用いる。既存のMLフレームワークにTLを適用し,Mode-I負荷下での脆性材料における多重き裂伝播と応力進展を予測する。新しいフレームワークであるACCelerated Universal fRAcTure Emulator (ACCURATE)は、TL更新手順を含む一連のステップを用いて、様々な亀裂問題に一般化される。 (i)任意のひび割れの長さ (ii)任意のひび割れ方向。 (iii)二乗藩。 (iv)水平領域、及び (v)せん断荷重。 tl更新ステップ毎に20個のシミュレーションからなる小さなトレーニングデータセットを用いて,モードiおよびモードiiの応力強度係数における高精度な予測精度,およびこれらの問題に対する亀裂パスを明らかにした。 %ケーススタディ (i)- (iv) 本研究では, ひび割れ進展と応力進展を予測するACCURATEの能力について, 新しい境界寸法と任意のひび割れ長さ, ひび割れ方向を組み合わさった場合の高精度な解析を行った。また,XFEMを用いたフラクチャーモデルと比較して,最大2桁(200倍)のシミュレーション時間を著しく高速化した。 ACCURATEフレームワークは、将来の作業で容易に修正または拡張できる普遍的な計算破壊力学モデルを提供する。

関連論文リスト

Physics-Informed Machine Learning for Seismic Response Prediction OF Nonlinear Steel Moment Resisting Frame Structures [6.483318568088176]
PiML法は、非線形構造の地震応答をモデル化するために、科学的原理と物理法則をディープニューラルネットワークに統合する。運動方程式を操作することは、システムの非線形性を学習し、物理的に解釈可能な結果の中で解を閉じ込めるのに役立つ。結果、既存の物理誘導LSTMモデルよりも複雑なデータを処理し、他の非物理データ駆動ネットワークより優れている。
論文参考訳（メタデータ） (2024-02-28T02:16:03Z)
TACTiS-2: Better, Faster, Simpler Attentional Copulas for Multivariate Time Series [57.4208255711412]
パウラ理論に基づいて,最近導入されたトランスフォーマーに基づく注目パウラ(TACTiS)の簡易な目的を提案する。結果から,実世界の予測タスクにまたがって,このモデルのトレーニング性能が大幅に向上し,最先端のパフォーマンスが達成できることが示唆された。
論文参考訳（メタデータ） (2023-10-02T16:45:19Z)
Rail Crack Propagation Forecasting Using Multi-horizons RNNs [0.46040036610482665]
レールひび割れ進展の予測は, 材料・構造物の維持・安全性評価において重要な役割を担っている。伝統的な手法は、パリ法のような物理モデルや経験方程式に依存している。近年,機械学習技術,特にリカレントニューラルネットワーク(RNN)が時系列予測の有望な手法として登場している。
論文参考訳（メタデータ） (2023-09-04T12:44:21Z)
Temporal Subsampling Diminishes Small Spatial Scales in Recurrent Neural Network Emulators of Geophysical Turbulence [0.0]
しばしば見過ごされる処理ステップがエミュレータの予測品質にどのように影響するかを検討する。 1)空間ベクトル自己回帰(NVAR)の形式、(2)エコー状態ネットワーク(ESN)の形式。いずれの場合も、トレーニングデータのサブサンプリングは、数値拡散に類似した小さなスケールでのバイアスの増加につながる。
論文参考訳（メタデータ） (2023-04-28T21:34:53Z)
TWINS: A Fine-Tuning Framework for Improved Transferability of Adversarial Robustness and Generalization [89.54947228958494]
本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。 TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
論文参考訳（メタデータ） (2023-03-20T14:12:55Z)
Online Evolutionary Neural Architecture Search for Multivariate Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。 ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文参考訳（メタデータ） (2023-02-20T22:25:47Z)
Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
論文参考訳（メタデータ） (2022-05-19T08:37:56Z)
A physics-informed variational DeepONet for predicting the crack path in brittle materials [3.1196544696082613]
脆性破壊解析のための物理インフォームによるDeepONet(V-DeepONet)の変分定式化を提案する。 V-DeepONetは、欠陥の初期設定を関連する関心領域にマッピングするように訓練されている。脆性破壊の2つのベンチマークによるV-DeepOnetの有効性を実証し,その精度を高忠実度解析器を用いて検証した。
論文参考訳（メタデータ） (2021-08-16T05:31:05Z)
StressNet: Deep Learning to Predict Stress With Fracture Propagation in Brittle Materials [6.245804384813862]
脆性材料の破砕は、しばしば内部応力の強い亀裂の急激な成長と合体によるものである。フラクチャー伝播と初期応力データに基づく最大内部応力列全体を予測するために「応力ネット」を提案する。提案モデルでは,最大内部応力の高精度なマルチステップ予測を約20秒で計算できる。
論文参考訳（メタデータ） (2020-11-20T05:49:12Z)
One-step regression and classification with crosspoint resistive memory arrays [62.997667081978825]
高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
論文参考訳（メタデータ） (2020-05-05T08:00:07Z)
Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。