論文の概要: Computational Discovery of Microstructured Composites with Optimal Stiffness-Toughness Trade-Offs

• arxiv url: http://arxiv.org/abs/2302.01078v2
• Date: Wed, 3 Jan 2024 20:20:46 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-05 17:56:34.982701
• Title: Computational Discovery of Microstructured Composites with Optimal Stiffness-Toughness Trade-Offs
• Title（参考訳）: 最適剛性・トーネストレードオフを有する微視的複合材料の計算的発見
• Authors: Beichen Li, Bolei Deng, Wan Shou, Tae-Hyun Oh, Yuanming Hu, Yiyue Luo, Liang Shi, Wojciech Matusik
• Abstract要約: 硬さと硬さの対立は、工学材料設計における根本的な問題である。 物理実験,数値シミュレーション,人工ニューラルネットワークを統合した一般化可能なパイプラインを導入し,両課題に対処する。 本手法は, 固体力学以外の様々な研究領域において, 計算設計の青写真を提供する。
• 参考スコア（独自算出の注目度）: 39.393383789980895
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The conflict between stiffness and toughness is a fundamental problem in engineering materials design. However, the systematic discovery of microstructured composites with optimal stiffness-toughness trade-offs has never been demonstrated, hindered by the discrepancies between simulation and reality and the lack of data-efficient exploration of the entire Pareto front. We introduce a generalizable pipeline that integrates physical experiments, numerical simulations, and artificial neural networks to address both challenges. Without any prescribed expert knowledge of material design, our approach implements a nested-loop proposal-validation workflow to bridge the simulation-to-reality gap and discover microstructured composites that are stiff and tough with high sample efficiency. Further analysis of Pareto-optimal designs allows us to automatically identify existing toughness enhancement mechanisms, which were previously discovered through trial-and-error or biomimicry. On a broader scale, our method provides a blueprint for computational design in various research areas beyond solid mechanics, such as polymer chemistry, fluid dynamics, meteorology, and robotics.
• Abstract（参考訳）: 硬さと硬さの衝突は、工学材料設計における根本的な問題である。 しかし, シミュレーションと現実の相違やパレートフロント全体のデータ効率のよい探索の欠如により, 最適剛性・粗さトレードオフを有する複合材料の系統的発見は証明されていない。 両課題を解決するために,物理実験,数値シミュレーション,ニューラルネットワークを統合した一般化パイプラインを導入する。 材料設計の専門知識がなければ,本手法はネストループ提案バリデーションワークフローを実装し,シミュレーションと現実のギャップを埋め,高試料効率で硬く硬いマイクロ構造複合材料を発見する。 パレート最適設計のさらなる分析により、これまで試行錯誤や生体模倣で発見されていた既存の靭性増強機構を自動で識別することができる。 より広いスケールで, 高分子化学, 流体力学, 気象学, ロボット工学など, 固体力学を超えた様々な研究分野における計算設計の青写真を提供する。

関連論文リスト

• Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
  リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。 この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。 提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
  論文  参考訳（メタデータ） (2024-07-26T10:29:16Z)
• AtomAgents: Alloy design and discovery through physics-aware multi-modal multi-agent artificial intelligence [0.0]
  提案されている物理対応生成AIプラットフォームAtomAgentsは、大規模言語モデル(LLM)のインテリジェンスをシナジする 以上の結果から, 合金間におけるキー特性の正確な予測が可能となり, 先進金属合金の開発を推し進めるためには, 固溶合金が重要な役割を担っていることが明らかとなった。
  論文  参考訳（メタデータ） (2024-07-13T22:46:02Z)
• DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative Diffusion Models [102.13968267347553]
  本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。 我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
  論文  参考訳（メタデータ） (2023-11-28T18:58:48Z)
• Mechanical Characterization and Inverse Design of Stochastic Architected Metamaterials Using Neural Operators [2.4918888803900727]
  機械学習は、建築された材料の設計のための変革的なツールとして登場しつつある。 ここでは、ディープニューラル演算子(DeepONet)を活用した、エンドツーエンドの科学MLフレームワークを紹介する。 2光子リソグラフィーを用いて印刷した脊椎の微細構造から得られた結果,機械的応答の予測誤差が5～10%の範囲内であることが判明した。
  論文  参考訳（メタデータ） (2023-11-23T05:23:15Z)
• Distributionally Robust Model-based Reinforcement Learning with Large State Spaces [55.14361269378122]
  強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。 広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。 本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-05T13:42:11Z)
• Identifying Constitutive Parameters for Complex Hyperelastic Materials using Physics-Informed Neural Networks [0.0]
  軟質材料の材料パラメータの同定を目的とした,堅牢なPINNベースのフレームワークを提案する。 本モデルでは,マルチモーダル合成実験データセットを用いたPINNのトレーニングを強調した。 以上の結果から, PINN フレームワークは, 複雑なジオメトリーを持つ試料に対する圧縮不能な Arruda-Boyce モデルのパラメータを正確に同定し, 5% 未満の誤差を維持することができることがわかった。
  論文  参考訳（メタデータ） (2023-08-29T21:25:24Z)
• PhySRNet: Physics informed super-resolution network for application in computational solid mechanics [0.0]
  本研究は,物理インフォームド深層学習に基づく超解像フレームワーク(PhySRNet)の開発を目的とする。 高分解能ラベル付きデータを必要とせずに、高分解能変形場を低分解能変形体から復元することができる。
  論文  参考訳（メタデータ） (2022-06-30T17:51:50Z)
• Differentiable Simulation of Soft Multi-body Systems [99.4302215142673]
  我々は、Projective Dynamics内でトップダウン行列アセンブリアルゴリズムを開発する。 筋肉,関節トルク,空気圧管によって駆動される軟口蓋体に対して,異なる制御機構を導出する。
  論文  参考訳（メタデータ） (2022-05-03T20:03:22Z)
• 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)
• Neural Network Gaussian Process Considering Input Uncertainty for Composite Structures Assembly [13.330270644806307]
  本稿では,複合構造集合の入力不確実性を考慮したニューラルネットワークガウス過程モデルを提案する。 NNGPIUは、応答関数が非滑らかで非線形である場合、他のベンチマーク手法よりも優れている。 複合構造アセンブリを例に挙げるが, 本手法は本質的な不確実性を持つ他の工学系にも適用可能である。
  論文  参考訳（メタデータ） (2020-11-21T20:21:28Z)

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。