Fugu-MT 論文翻訳(概要): Viscoelastic Constitutive Artificial Neural Networks (vCANNs) $-$ a framework for data-driven anisotropic nonlinear finite viscoelasticity

論文の概要: Viscoelastic Constitutive Artificial Neural Networks (vCANNs) $-$ a framework for data-driven anisotropic nonlinear finite viscoelasticity

arxiv url: http://arxiv.org/abs/2303.12164v1
Date: Tue, 21 Mar 2023 19:45:59 GMT
ステータス: 処理完了
システム内更新日: 2023-03-23 16:16:15.453779
Title: Viscoelastic Constitutive Artificial Neural Networks (vCANNs) $-$ a framework for data-driven anisotropic nonlinear finite viscoelasticity
Title（参考訳）: 粘弾性構成型人工ニューラルネットワーク (vcanns) $-$ a framework for data-driven anisotropic nonlinear finite viscoelasticity
Authors: Kian P. Abdolazizi, Kevin Linka, Christian J. Cyron
Abstract要約: 粘弾性構成型ニューラルネットワーク(vCANN)を紹介する。 vCANNは、有限ひずみにおける異方性非線形粘性のための新しい物理インフォームド機械学習フレームワークである。我々は,vCANNが人間の指導なしに,これらの素材の挙動を正確に,効率的に把握できることを実証した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The constitutive behavior of polymeric materials is often modeled by finite linear viscoelastic (FLV) or quasi-linear viscoelastic (QLV) models. These popular models are simplifications that typically cannot accurately capture the nonlinear viscoelastic behavior of materials. For example, the success of attempts to capture strain rate-dependent behavior has been limited so far. To overcome this problem, we introduce viscoelastic Constitutive Artificial Neural Networks (vCANNs), a novel physics-informed machine learning framework for anisotropic nonlinear viscoelasticity at finite strains. vCANNs rely on the concept of generalized Maxwell models enhanced with nonlinear strain (rate)-dependent properties represented by neural networks. The flexibility of vCANNs enables them to automatically identify accurate and sparse constitutive models of a broad range of materials. To test vCANNs, we trained them on stress-strain data from Polyvinyl Butyral, the electro-active polymers VHB 4910 and 4905, and a biological tissue, the rectus abdominis muscle. Different loading conditions were considered, including relaxation tests, cyclic tension-compression tests, and blast loads. We demonstrate that vCANNs can learn to capture the behavior of all these materials accurately and computationally efficiently without human guidance.
Abstract（参考訳）: 高分子材料の構成的挙動は、しばしば有限線型粘弾性(FLV)または準線形粘弾性(QLV)モデルによってモデル化される。これらの一般的なモデルは、材料の非線形粘弾性挙動を正確に捉えることができない単純化である。例えば、ひずみ速度依存性の挙動を捉える試みの成功は、これまで制限されてきた。この問題を解決するために、有限ひずみにおける異方性非線形粘弾性のための新しい物理インフォームド機械学習フレームワークである粘弾性構成型ニューラルネットワーク(vCANN)を導入する。 vCANNは、ニューラルネットワークで表される非線形ひずみ(レート)依存特性で強化された一般化マックスウェルモデルの概念に依存している。 vCANNの柔軟性により、幅広い素材の正確でスパースな構成モデルを自動的に識別することができる。電気活性高分子VHB 4910, 4905, 生体組織retus abdominis muscleを用いて, ストレス・ストレインデータを用いてvCANNの試験を行った。緩衝試験, 周期張力圧縮試験, 爆薬負荷など, 異なる負荷条件が検討された。我々は,vCANNが人間の指導なしに,これらの素材の挙動を正確に,効率的に把握できることを実証した。

関連論文リスト

Accounting for plasticity: An extension of inelastic Constitutive Artificial Neural Networks [0.0]
塑性の非弾性現象に対するiCANNの拡張と応用について述べる。我々は4つのフィードフォワードネットワークとリカレントニューラルネットワークを併用して学習し、第2のPiola-Kirchhoffストレス測定をトレーニングに用いた。負荷ケースの増加に対して,極めて正確な合意が得られながら,1つの負荷ケースでのトレーニングにすでに満足な結果が得られた。
論文参考訳（メタデータ） (2024-07-27T19:19:42Z)
ElastoGen: 4D Generative Elastodynamics [59.20029207991106]
ElastoGenは知識駆動型AIモデルで、物理的に正確な4Dエラストダイナミックスを生成する。 ElastoGenは実際の物理的手順と整合しているため、幅広い超弾性材料の正確な力学を効率的に生成する。
論文参考訳（メタデータ） (2024-05-23T21:09:36Z)
Data-driven low-dimensional model of a sedimenting flexible fiber [0.0]
この研究は、機械学習を用いてフレキシブルファイバダイナミクスの高忠実度低次元モデルを作成するためのデータ駆動技術について述べる。このアプローチは、オートエンコーダニューラルネットワークアーキテクチャを組み合わせて、フィラメント形状の低次元潜在表現を学習する。我々のデータ駆動モデルでは、トレーニングされたエラスト重力数とトレーニングされていないエラスト重力数の両方で、繊維の進化を正確に予測できることが示される。
論文参考訳（メタデータ） (2024-05-16T21:07:09Z)
NeuralClothSim: Neural Deformation Fields Meet the Thin Shell Theory [70.10550467873499]
薄型シェルを用いた新しい擬似布シミュレータであるNeuralClothSimを提案する。メモリ効率の高い解法はニューラル変形場と呼ばれる新しい連続座標に基づく表面表現を演算する。
論文参考訳（メタデータ） (2023-08-24T17:59:54Z)
On the Trade-off Between Efficiency and Precision of Neural Abstraction [62.046646433536104]
ニューラル抽象化は、最近、複雑な非線形力学モデルの形式近似として導入されている。我々は形式的帰納的合成法を用いて、これらのセマンティクスを用いた動的モデルをもたらすニューラル抽象化を生成する。
論文参考訳（メタデータ） (2023-07-28T13:22:32Z)
Neural Abstractions [72.42530499990028]
本稿では,ニューラルネットワークを用いた非線形力学モデルの安全性検証手法を提案する。提案手法は,既存のベンチマーク非線形モデルにおいて,成熟度の高いFlow*と同等に動作することを示す。
論文参考訳（メタデータ） (2023-01-27T12:38:09Z)
NN-EUCLID: deep-learning hyperelasticity without stress data [0.0]
本稿では,物理一貫性のあるディープニューラルネットワークを用いた超弾性法則の教師なし学習手法を提案する。応力-ひずみを仮定する教師付き学習とは対照的に,本手法は実測可能な全弾性場変位と大域的力可用性データのみを用いる。
論文参考訳（メタデータ） (2022-05-04T13:54:54Z)
A physics-informed deep neural network for surrogate modeling in classical elasto-plasticity [0.0]
本稿では,古典的弾塑性関係を効率的に近似するディープニューラルネットワークアーキテクチャを提案する。このネットワークは、弾性および塑性部分へのひずみの付加的な分解を含む古典的エラスト塑性の重要な物理的な側面に富んでいる。ニューラルネットワークのアーキテクチャにこれらの物理を組み込むことで、トレーニングデータの少ないネットワークのより効率的なトレーニングが可能になることを示す。
論文参考訳（メタデータ） (2022-04-26T05:58:13Z)
EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文参考訳（メタデータ） (2022-02-21T18:59:03Z)
MD-inferred neural network monoclinic finite-strain hyperelasticity models for $\beta$-HMX: Sobolev training and validation against physical constraints [2.3816618027381438]
我々は,モノクリニック有機分子結晶$beta$-HMXの異方性弾性応答を予測するためにニューラルネットワークを訓練し,検証した。我々は、異なるソボレフ制約下でのニューラルネットワークのトレーニング効率を比較し、$beta$-HMXのMDベンチマークに対してモデルの正確性と堅牢性を評価する。
論文参考訳（メタデータ） (2021-11-29T23:38:31Z)
Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文参考訳（メタデータ） (2021-06-17T17:26:31Z)

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。