論文の概要: Topology optimization with physics-informed neural networks: application
to noninvasive detection of hidden geometries
- arxiv url: http://arxiv.org/abs/2303.09280v1
- Date: Mon, 13 Mar 2023 12:44:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-17 15:30:16.836262
- Title: Topology optimization with physics-informed neural networks: application
to noninvasive detection of hidden geometries
- Title（参考訳）: 物理インフォームドニューラルネットワークによるトポロジー最適化:非侵襲的隠れ幾何学検出への応用
- Authors: Saviz Mowlavi, Ken Kamrin
- Abstract要約: 本稿では,隠れた幾何学構造を検出するためのPINNに基づくトポロジ最適化フレームワークを提案する。
非線形弾性体および非線形弾性体における隠れヴォイドおよび包有物の数,位置,形状を検出することにより,我々の枠組みを検証した。
- 参考スコア（独自算出の注目度）: 0.40611352512781856
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Detecting hidden geometrical structures from surface measurements under
electromagnetic, acoustic, or mechanical loading is the goal of noninvasive
imaging techniques in medical and industrial applications. Solving the inverse
problem can be challenging due to the unknown topology and geometry, the
sparsity of the data, and the complexity of the physical laws. Physics-informed
neural networks (PINNs) have shown promise as a simple-yet-powerful tool for
problem inversion, but they have yet to be applied to general problems with a
priori unknown topology. Here, we introduce a topology optimization framework
based on PINNs that solves geometry detection problems without prior knowledge
of the number or types of shapes. We allow for arbitrary solution topology by
representing the geometry using a material density field that approaches binary
values thanks to a novel eikonal regularization. We validate our framework by
detecting the number, locations, and shapes of hidden voids and inclusions in
linear and nonlinear elastic bodies using measurements of outer surface
displacement from a single mechanical loading experiment. Our methodology opens
a pathway for PINNs to solve various engineering problems targeting geometry
optimization.
- Abstract（参考訳）: 電磁・音響・機械的負荷下での表面測定から隠れた幾何学的構造を検出することは、医療・産業用途における非侵襲的なイメージング技術の目標である。
逆問題の解法は、未知の位相と幾何、データの空間性、および物理法則の複雑さのために困難である。
物理学を応用したニューラルネットワーク (pinns) は、promise を問題反転のための単純なyet-powerful toolとして示しているが、事前の未知トポロジーを持つ一般的な問題には適用されていない。
本稿では,形状数や形状の事前知識を必要とせず,形状検出問題を解くピンに基づくトポロジー最適化フレームワークを提案する。
我々は、新しい固有正則化により二項値にアプローチする物質密度場を用いて幾何学を表現することで任意の解位相を許容する。
我々は,1つの機械的載荷実験から外面変位の測定値を用いて,リニアおよび非線形弾性体に隠された空隙および包有物の数,位置,形状を検出することにより,我々の枠組みを検証する。
本手法は,幾何最適化を対象とする様々な工学的問題を解決するために,PINNの経路を開放する。
関連論文リスト
- A hybrid numerical methodology coupling Reduced Order Modeling and Graph Neural Networks for non-parametric geometries: applications to structural dynamics problems [0.0]
本研究は、複雑な物理系を管理する時間領域偏微分方程式(PDE)の数値解析を高速化するための新しいアプローチを導入する。
この手法は、古典的低次モデリング(ROM)フレームワークと最近のパラメトリックグラフニューラルネットワーク(GNN)の組み合わせに基づいている。
論文 参考訳（メタデータ） (2024-06-03T08:51:25Z) - Geometry-aware framework for deep energy method: an application to structural mechanics with hyperelastic materials [2.271910267215261]
本稿では,構造力学問題の解法としてGeometry-Aware Deep Energy Method (GADEM) という物理インフォームドフレームワークを提案する。
本研究は,幾何学的情報表現と幾何学的潜伏ベクトルの符号化の異なる方法について検討する。
本稿では,玩具タイヤの載荷シミュレーションなど,固体力学問題へのGADEMの適用について述べる。
論文 参考訳（メタデータ） (2024-05-06T12:47:16Z) - A Survey of Geometric Graph Neural Networks: Data Structures, Models and
Applications [67.33002207179923]
本稿では、幾何学的GNNに関するデータ構造、モデル、および応用について調査する。
幾何学的メッセージパッシングの観点から既存のモデルの統一的なビューを提供する。
また、方法論開発と実験評価の後の研究を促進するために、アプリケーションと関連するデータセットを要約する。
論文 参考訳（メタデータ） (2024-03-01T12:13:04Z) - Geometry-Informed Neural Networks [15.27249535281444]
幾何インフォームドニューラルネットワーク(GINN)を導入する。
GINNは、データなしで形状生成ニューラルネットワークをトレーニングするためのフレームワークである。
GINNをいくつかの検証問題と現実的な3Dエンジニアリング設計問題に適用する。
論文 参考訳（メタデータ） (2024-02-21T18:50:12Z) - Adaptive Surface Normal Constraint for Geometric Estimation from Monocular Images [56.86175251327466]
本稿では,幾何学的文脈を取り入れつつ,画像から深度や表面正規度などの測地を学習するための新しい手法を提案する。
提案手法は,入力画像に存在する幾何学的変動を符号化した幾何学的文脈を抽出し,幾何的制約と深度推定を相関付ける。
本手法は,画像から高品質な3次元形状を生成可能な密着型フレームワーク内での深度と表面の正規分布推定を統一する。
論文 参考訳（メタデータ） (2024-02-08T17:57:59Z) - A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。
Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。
本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
論文 参考訳（メタデータ） (2023-12-12T18:44:19Z) - Physics-informed neural networks for transformed geometries and
manifolds [0.0]
本稿では,幾何学的変分を頑健に適合させるために,PINN内に幾何変換を統合する新しい手法を提案する。
従来のPINNに対して,特に幾何学的変動下での柔軟性の向上を実証する。
提案したフレームワークは、パラメータ化されたジオメトリ上でのディープ・ニューラル演算子のトレーニングの展望を示す。
論文 参考訳（メタデータ） (2023-11-27T15:47:33Z) - Learning the solution operator of two-dimensional incompressible
Navier-Stokes equations using physics-aware convolutional neural networks [68.8204255655161]
パラメトリゼーションを必要とせず, 種々の測地における定常ナビエ-ストークス方程式の近似解を学習する手法を提案する。
物理を意識したCNNの結果は、最先端のデータベースアプローチと比較される。
論文 参考訳（メタデータ） (2023-08-04T05:09:06Z) - PAC-NeRF: Physics Augmented Continuum Neural Radiance Fields for
Geometry-Agnostic System Identification [64.61198351207752]
ビデオからのシステム同定(オブジェクトの物理的パラメータを推定する)への既存のアプローチは、既知のオブジェクトジオメトリを仮定する。
本研究では,オブジェクトの形状やトポロジを仮定することなく,多視点ビデオの集合から物理系を特徴付けるパラメータを同定することを目的とする。
マルチビュービデオから高ダイナミックな物体の未知の幾何学的パラメータと物理的パラメータを推定するために,Physics Augmented Continuum Neural Radiance Fields (PAC-NeRF)を提案する。
論文 参考訳（メタデータ） (2023-03-09T18:59:50Z) - Physics informed neural networks for continuum micromechanics [68.8204255655161]
近年,応用数学や工学における多種多様な問題に対して,物理情報ニューラルネットワークの適用が成功している。
グローバルな近似のため、物理情報ニューラルネットワークは、最適化によって局所的な効果と強い非線形解を表示するのに困難である。
実世界の$mu$CT-Scansから得られた不均一構造における非線形応力, 変位, エネルギー場を, 正確に解くことができる。
論文 参考訳（メタデータ） (2021-10-14T14:05:19Z)
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。