論文の概要: Physics-Informed Neural Networks for Material Model Calibration from
Full-Field Displacement Data
- arxiv url: http://arxiv.org/abs/2212.07723v1
- Date: Thu, 15 Dec 2022 11:01:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-16 17:27:26.300842
- Title: Physics-Informed Neural Networks for Material Model Calibration from
Full-Field Displacement Data
- Title（参考訳）: フルフィールド変位データを用いた材料モデル校正のための物理インフォームドニューラルネットワーク
- Authors: David Anton, Henning Wessels
- Abstract要約: 我々は, 線形弾性モデルのキャリブレーションに向けて, 全フィールド変位と大域力データからPINNを開発する。
このプロセスにおいて最適化問題の正規化と条件付けが重要な役割を果たすことを示す。
PINNは実験1次元データと合成フルフィールド変位データの両方から材料パラメータを識別できることを実証する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The identification of material parameters occurring in constitutive models
has a wide range of applications in practice. One of these applications is the
monitoring and assessment of the actual condition of infrastructure buildings,
as the material parameters directly reflect the resistance of the structures to
external impacts. Physics-informed neural networks (PINNs) have recently
emerged as a suitable method for solving inverse problems. The advantages of
this method are a straightforward inclusion of observation data. Unlike
grid-based methods, such as the finite element method updating (FEMU) approach,
no computational grid and no interpolation of the data is required. In the
current work, we aim to further develop PINNs towards the calibration of the
linear-elastic constitutive model from full-field displacement and global force
data in a realistic regime. We show that normalization and conditioning of the
optimization problem play a crucial role in this process. Therefore, among
others, we identify the material parameters for initial estimates and balance
the individual terms in the loss function. In order to reduce the dependence of
the identified material parameters on local errors in the displacement
approximation, we base the identification not on the stress boundary conditions
but instead on the global balance of internal and external work. In addition,
we found that we get a better posed inverse problem if we reformulate it in
terms of bulk and shear modulus instead of Young's modulus and Poisson's ratio.
We demonstrate that the enhanced PINNs are capable of identifying material
parameters from both experimental one-dimensional data and synthetic full-field
displacement data in a realistic regime. Since displacement data measured by,
e.g., a digital image correlation (DIC) system is noisy, we additionally
investigate the robustness of the method to different levels of noise.
- Abstract（参考訳）: 構成的モデルで生じる物質パラメータの同定は、実際には幅広い応用がある。
これらの応用の1つは、材料パラメータが外部の影響に対する構造物の抵抗を直接反映するため、インフラビルの実態の監視と評価である。
近年,逆問題の解法として物理情報ニューラルネットワーク(PINN)が登場している。
この方法の利点は、観測データの直接的包含である。
有限要素法更新(FEMU)アプローチのようなグリッドベースの手法とは異なり、計算グリッドは不要であり、データの補間は不要である。
本研究では,実環境下でのフルフィールド変位と大域力データから線形弾性構成モデルのキャリブレーションに向けて,さらなるピンの開発を目指している。
このプロセスにおいて最適化問題の正規化と条件付けが重要な役割を果たすことを示す。
そこで本研究では,初期推定のための材料パラメータを同定し,損失関数の個々の項のバランスをとる。
変位近似における局所誤差に対する同定材料パラメータの依存性を減少させるために, 応力境界条件ではなく, 内部および外部作業のグローバルバランスに基づいて同定を行う。
さらに, ヤング率とポアソン比ではなく, バルクおよびせん断率で再定式化すれば, 逆問題の方がよいことが判明した。
提案手法は,実験的な一次元データと実環境における合成フルフィールド変位データの両方から材料パラメータを同定できることを示す。
例えば、デジタル画像相関(DIC)システムによって測定された変位データはノイズが多いため、異なるレベルのノイズに対する手法の堅牢性についても検討する。
関連論文リスト
- Response Estimation and System Identification of Dynamical Systems via Physics-Informed Neural Networks [0.0]
本稿では,物理インフォームドニューラルネットワーク(PINN)を用いた力学系の同定と推定について検討する。
PINNは、既知の物理法則をニューラルネットワークの損失関数に直接埋め込むことによって、複雑な現象の単純な埋め込みを可能にするユニークな利点を提供する。
その結果、PINNは上記のすべてのタスクに対して、たとえモデルエラーがあっても、効率的なツールを提供することを示した。
論文 参考訳（メタデータ） (2024-10-02T08:58:30Z) - Hybrid data-driven and physics-informed regularized learning of cyclic
plasticity with Neural Networks [0.0]
提案したモデルアーキテクチャは、既存の文献のソリューションに比べてシンプルで効率的である。
この手法の検証はアームストロング・フレデリックのキネマティック・ハードニング・モデルを用いて得られたサロゲートデータを用いて行う。
論文 参考訳（メタデータ） (2024-03-04T07:09:54Z) - Physics-Informed Deep Learning of Rate-and-State Fault Friction [0.0]
我々は, 前方問題と非線形欠陥摩擦パラメータの直接逆変換のためのマルチネットワークPINNを開発した。
本稿では1次元および2次元のストライク・スリップ断層に対する速度・状態摩擦を考慮した計算PINNフレームワークを提案する。
その結果, 断層におけるパラメータ逆転のネットワークは, 結合した物質変位のネットワークよりもはるかに優れていることがわかった。
論文 参考訳（メタデータ） (2023-12-14T23:53:25Z) - Towards stable real-world equation discovery with assessing
differentiating quality influence [52.2980614912553]
一般的に用いられる有限差分法に代わる方法を提案する。
我々は,これらの手法を実問題と類似した問題に適用可能であること,および方程式発見アルゴリズムの収束性を確保する能力の観点から評価する。
論文 参考訳（メタデータ） (2023-11-09T23:32:06Z) - 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) - Physics-aware deep learning framework for linear elasticity [0.0]
本稿では,線形連続弾性問題に対する効率的で堅牢なデータ駆動型ディープラーニング(DL)計算フレームワークを提案する。
フィールド変数の正確な表現のために,多目的損失関数を提案する。
弾性に対するAirimaty解やKirchhoff-Loveプレート問題を含むいくつかのベンチマーク問題を解く。
論文 参考訳（メタデータ） (2023-02-19T20:33:32Z) - Deep learning for full-field ultrasonic characterization [7.120879473925905]
本研究では、最近の機械学習の進歩を活用して、物理に基づくデータ分析プラットフォームを構築する。
直接反転と物理インフォームドニューラルネットワーク(PINN)の2つの論理について検討した。
論文 参考訳（メタデータ） (2023-01-06T05:01:05Z) - Extension of Dynamic Mode Decomposition for dynamic systems with
incomplete information based on t-model of optimal prediction [69.81996031777717]
動的モード分解は、動的データを研究するための非常に効率的な手法であることが証明された。
このアプローチの適用は、利用可能なデータが不完全である場合に問題となる。
本稿では,森-Zwanzig分解の1次近似を考察し,対応する最適化問題を記述し,勾配に基づく最適化法を用いて解く。
論文 参考訳（メタデータ） (2022-02-23T11:23:59Z) - Message Passing Neural PDE Solvers [60.77761603258397]
我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。
本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。
本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
論文 参考訳（メタデータ） (2022-02-07T17:47:46Z) - A Priori Denoising Strategies for Sparse Identification of Nonlinear
Dynamical Systems: A Comparative Study [68.8204255655161]
本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。
一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-01-29T23:31:25Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z)
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。