論文の概要: Static, dynamic and stability analysis of multi-dimensional functional
graded plate with variable thickness using deep neural network
- arxiv url: http://arxiv.org/abs/2301.05900v1
- Date: Sat, 14 Jan 2023 11:37:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-18 18:15:23.442207
- Title: Static, dynamic and stability analysis of multi-dimensional functional
graded plate with variable thickness using deep neural network
- Title（参考訳）: 深層ニューラルネットワークを用いた厚み可変多次元傾斜板の静的・動的・安定性解析
- Authors: Nam G. Luu and Thanh T. Banh
- Abstract要約: 本研究の目的は,多方向機能グレード(FG)プレートの中央偏向,自然周波数,臨界座屈荷重の解析と予測である。
材料特性はプレートの3方向を通してスムーズかつ連続的に変化すると仮定される。
- 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 goal of this paper is to analyze and predict the central deflection,
natural frequency, and critical buckling load of the multi-directional
functionally graded (FG) plate with variable thickness resting on an elastic
Winkler foundation. First, the mathematical models of the static and
eigenproblems are formulated in great detail. The FG material properties are
assumed to vary smoothly and continuously throughout three directions of the
plate according to a Mori-Tanaka micromechanics model distribution of volume
fraction of constituents. Then, finite element analysis (FEA) with mixed
interpolation of tensorial components of 4-nodes (MITC4) is implemented in
order to eliminate theoretically a shear locking phenomenon existing. Next,
influences of the variable thickness functions (uniform, non-uniform linear,
and non-uniform non-linear), material properties, length-to-thickness ratio,
boundary conditions, and elastic parameters on the plate response are
investigated and discussed in detail through several numerical examples.
Finally, a deep neural network (DNN) technique using batch normalization (BN)
is learned to predict the non-dimensional values of multi-directional FG
plates. The DNN model also shows that it is a powerful technique capable of
handling an extensive database and different vital parameters in engineering
applications.
- Abstract（参考訳）: 本研究の目的は, 弾性ウィンクラー基礎上に幅の異なる多方向機能傾斜(FG)板の中央偏向, 自然周波数, 臨界座屈荷重を解析し, 予測することである。
まず、静的および固有プロブレムの数学的モデルは、非常に詳細に定式化される。
fg材料特性は, 構成成分の体積率分布の森田中マイクロメカニクスモデルにより, 板の3方向にわたって滑らかかつ連続的に変化すると仮定した。
次に、4ノード(mitc4)のテンソル成分を混合補間した有限要素解析(fea)を行い、理論的に存在するせん断ロック現象を除去する。
次に, 可変厚み関数(一様, 非一様線形, 非一様非線形), 材料特性, 長さ-厚さ比, 境界条件, 弾性パラメータが板の応答に及ぼす影響について, いくつかの数値例を通して詳細に検討した。
最後に、バッチ正規化(BN)を用いたディープニューラルネットワーク(DNN)技術を学び、多方向FGプレートの非次元値を予測する。
dnnモデルはまた、エンジニアリングアプリケーションにおいて、広範囲のデータベースと異なるバイタルパラメータを処理できる強力な技術であることを示している。
関連論文リスト
- Machine learning-guided construction of an analytic kinetic energy functional for orbital free density functional theory [0.0]
数百の材料の結晶セル平均運動エネルギー密度(タウ)の機械学習によって導かれる運動エネルギー密度表現(タウ)の解析式を構築した。
特徴量に対するタウの機能的依存のタイプを理解するために,ハイブリッドガウスプロセス回帰-ニューラルネットワーク(GPR-NN)法が用いられた。
コーンシャム DFT エネルギー体積曲線を十分な精度で再現できる解析モデルを構築した。
論文 参考訳（メタデータ） (2025-02-08T02:28:15Z) - Characterization of partial wetting by CMAS droplets using multiphase
many-body dissipative particle dynamics and data-driven discovery based on
PINNs [1.1762713843017176]
カルシア、マグネシア、アルミナ、ケイ酸塩の混合物であるCMASは、高い粘度、密度、表面張力によって特徴付けられる。
ここでは, 多相多体散逸粒子動力学(mDPD)シミュレーションを用いて, 高融点CMAS液滴の動力学を研究する。
論文 参考訳（メタデータ） (2023-07-18T10:52:08Z) - Tunable non-additivity in Casimir-Lifshitz force between graphene
gratings [7.633060349568631]
2つの同一グラフェンストリップグレーティング間のカシミール・リフシッツ力(CLF)について検討した。
グラフェンストリップの高次電磁回折,多重散乱および正確な2次元特性を考慮に入れた。
CLFの最も興味深い特徴の1つである非添加性は、非常に高く、その場で調節可能であることを示す。
論文 参考訳（メタデータ） (2023-06-30T13:28:28Z) - Neural network analysis of neutron and X-ray reflectivity data:
Incorporating prior knowledge for tackling the phase problem [141.5628276096321]
本稿では,事前知識を利用して,より大規模なパラメータ空間上でのトレーニングプロセスを標準化する手法を提案する。
ボックスモデルパラメータ化を用いた多層構造を含む様々なシナリオにおいて,本手法の有効性を示す。
従来の手法とは対照的に,逆問題の複雑性を増大させると,我々の手法は好適にスケールする。
論文 参考訳（メタデータ） (2023-06-28T11:15:53Z) - StrainTensorNet: Predicting crystal structure elastic properties using
SE(3)-equivariant graph neural networks [1.9260081982051918]
結晶構造の弾性特性を効率的に予測するための新しいデータ駆動手法を提案する。
このアプローチは、最近のデータ駆動研究に匹敵する精度で重要なスカラー弾性変調をもたらす。
論文 参考訳（メタデータ） (2023-06-22T11:34:08Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Deep equilibrium models as estimators for continuous latent variables [10.244213671349225]
ニューラルネットワークアーキテクチャと統計モデルとの明確な関係を示す。
深部平衡モデルでは, 潜伏係数と変換パラメータの最大アポテリオリ(MAP)推定値が解ける。
私たちのDEC機能マップはエンドツーエンドで微分可能で、下流タスクの微調整を可能にします。
論文 参考訳（メタデータ） (2022-11-11T01:21:34Z) - 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) - Quaternion Factorization Machines: A Lightweight Solution to Intricate
Feature Interaction Modelling [76.89779231460193]
factorization machine(fm)は、機能間の高次インタラクションを自動的に学習し、手動の機能エンジニアリングを必要とせずに予測を行うことができる。
本研究では,スパース予測解析のためのQFM(Quaternion factorization Machine)とQNFM(Quaternion neural factorization Machine)を提案する。
論文 参考訳（メタデータ） (2021-04-05T00:02:36Z) - Feature Weighted Non-negative Matrix Factorization [92.45013716097753]
本稿では,FNMF(Feature weighted Non- negative Matrix Factorization)を提案する。
FNMFはその重要性に応じて特徴の重みを適応的に学習する。
提案する最適化アルゴリズムを用いて効率的に解くことができる。
論文 参考訳（メタデータ） (2021-03-24T21:17:17Z) - Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。
分散による離散乗法雑音のパラメータによく現れることを示す。
最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
論文 参考訳（メタデータ） (2020-06-11T09:58:01Z)
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。