Fugu-MT 論文翻訳(概要): LS-DYNA Machine Learning-based Multiscale Method for Nonlinear Modeling of Short Fiber-Reinforced Composites

論文の概要: LS-DYNA Machine Learning-based Multiscale Method for Nonlinear Modeling of Short Fiber-Reinforced Composites

arxiv url: http://arxiv.org/abs/2301.02738v1
Date: Fri, 6 Jan 2023 22:33:19 GMT
ステータス: 処理完了
システム内更新日: 2023-01-10 16:33:45.001039
Title: LS-DYNA Machine Learning-based Multiscale Method for Nonlinear Modeling of Short Fiber-Reinforced Composites
Title（参考訳）: LS-DYNA機械学習による短繊維強化複合材料の非線形モデリング
Authors: Haoyan Wei, C. T. Wu, Wei Hu, Tung-Huan Su, Hitoshi Oura, Masato Nishi, Tadashi Naito, Stan Chung, Leo Shen
Abstract要約: 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。
参考スコア（独自算出の注目度）: 7.891561501854125
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Short-fiber-reinforced composites (SFRC) are high-performance engineering materials for lightweight structural applications in the automotive and electronics industries. Typically, SFRC structures are manufactured by injection molding, which induces heterogeneous microstructures, and the resulting nonlinear anisotropic behaviors are challenging to predict by conventional micromechanical analyses. In this work, we present a machine learning-based multiscale method by integrating injection molding-induced microstructures, material homogenization, and Deep Material Network (DMN) in the finite element simulation software LS-DYNA for structural analysis of SFRC. DMN is a physics-embedded machine learning model that learns the microscale material morphologies hidden in representative volume elements of composites through offline training. By coupling DMN with finite elements, we have developed a highly accurate and efficient data-driven approach, which predicts nonlinear behaviors of composite materials and structures at a computational speed orders-of-magnitude faster than the high-fidelity direct numerical simulation. To model industrial-scale SFRC products, transfer learning is utilized to generate a unified DMN database, which effectively captures the effects of injection molding-induced fiber orientations and volume fractions on the overall composite properties. Numerical examples are presented to demonstrate the promising performance of this LS-DYNA machine learning-based multiscale method for SFRC modeling.
Abstract（参考訳）: 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。通常、SFRC構造は異種組織を誘導する射出成形により製造され、結果として生じる非線形異方性挙動は従来のマイクロメカニカル解析により予測することが困難である。本稿では, 有限要素シミュレーションソフトウェアls-dynaにおける射出成形誘起微細構造, 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ベースのマルチスケール手法を提案する。 DMNは物理埋め込み機械学習モデルであり、オフライントレーニングを通じて複合材料の代表体積要素に隠されたマイクロスケールの材料形態を学習する。 DMNを有限要素に結合することにより,高忠実性直接数値シミュレーションよりも高速に計算速度で複合材料や構造物の非線形挙動を予測する,高精度で効率的なデータ駆動手法を開発した。産業規模のSFRC製品をモデル化するために, 転写学習を用いて一貫したDMNデータベースを生成し, 射出成形による繊維配向と体積分率が複合性に及ぼす影響を効果的に把握する。このLS-DYNA機械学習に基づくマルチスケールSFRCモデリングの有望な性能を示す数値的な例を示す。

関連論文リスト

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)
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)
Data-driven multi-scale modeling and robust optimization of composite structure with uncertainty quantification [0.42581756453559755]
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。
論文参考訳（メタデータ） (2022-10-13T16:40:11Z)
Linking Properties to Microstructure in Liquid Metal Embedded Elastomers via Machine Learning [0.0]
液体金属(LM)はエラストマーマトリックスに埋め込まれ、独特の熱、誘電体、機械的特性を持つ軟質複合材料が得られる。これらの材料の性質と構造を結びつけることにより、材料設計を合理的に行うことができる。
論文参考訳（メタデータ） (2022-07-24T06:02:26Z)
Disentangling multiple scattering with deep learning: application to strain mapping from electron diffraction patterns [48.53244254413104]
我々は、高非線形電子回折パターンを定量的構造因子画像に変換するために、FCU-Netと呼ばれるディープニューラルネットワークを実装した。結晶構造の異なる組み合わせを含む20,000以上のユニークな動的回折パターンを用いてFCU-Netを訓練した。シミュレーションされた回折パターンライブラリ、FCU-Netの実装、訓練されたモデルの重み付けは、オープンソースリポジトリで自由に利用可能です。
論文参考訳（メタデータ） (2022-02-01T03:53:39Z)
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)
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 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)
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)
Learning Bijective Feature Maps for Linear ICA [73.85904548374575]
画像データに適した既存の確率的深層生成モデル (DGM) は, 非線形ICAタスクでは不十分であることを示す。そこで本研究では,2次元特徴写像と線形ICAモデルを組み合わせることで,高次元データに対する解釈可能な潜在構造を学習するDGMを提案する。画像上のフローベースモデルや線形ICA、変分オートエンコーダよりも、高速に収束し、訓練が容易なモデルを作成し、教師なしの潜在因子発見を実現する。
論文参考訳（メタデータ） (2020-02-18T17:58:07Z)

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。