論文の概要: Deep neural operator for learning transient response of interpenetrating
phase composites subject to dynamic loading
- arxiv url: http://arxiv.org/abs/2303.18055v1
- Date: Thu, 30 Mar 2023 05:23:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-03 13:56:08.533904
- Title: Deep neural operator for learning transient response of interpenetrating
phase composites subject to dynamic loading
- Title（参考訳）: 動的負荷を受ける相間複合材料の過渡応答学習のためのディープニューラルオペレータ
- Authors: Minglei Lu, Ali Mohammadi, Zhaoxu Meng, Xuhui Meng, Gang Li and Zhen
Li
- Abstract要約: 有限要素解析(FEA)や、与えられた動的負荷に対するIPCの機械的応答をテストする実験を行うのに数時間あるいは数日かかる可能性がある。
我々は、動的負荷下でIPCの過渡応答を学習するために、ディープニューラル演算子(DNO)を用いる。
オフライントレーニングの後、DNOモデルは物理に基づくFAAの代理として機能し、過渡的な機械的応答を予測する。
- 参考スコア（独自算出の注目度）: 5.5981980863047225
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Additive manufacturing has been recognized as an industrial technological
revolution for manufacturing, which allows fabrication of materials with
complex three-dimensional (3D) structures directly from computer-aided design
models. The mechanical properties of interpenetrating phase composites (IPCs),
especially response to dynamic loading, highly depend on their 3D structures.
In general, for each specified structural design, it could take hours or days
to perform either finite element analysis (FEA) or experiments to test the
mechanical response of IPCs to a given dynamic load. To accelerate the
physics-based prediction of mechanical properties of IPCs for various
structural designs, we employ a deep neural operator (DNO) to learn the
transient response of IPCs under dynamic loading as surrogate of physics-based
FEA models. We consider a 3D IPC beam formed by two metals with a ratio of
Young's modulus of 2.7, wherein random blocks of constituent materials are used
to demonstrate the generality and robustness of the DNO model. To obtain FEA
results of IPC properties, 5,000 random time-dependent strain loads generated
by a Gaussian process kennel are applied to the 3D IPC beam, and the reaction
forces and stress fields inside the IPC beam under various loading are
collected. Subsequently, the DNO model is trained using an incremental learning
method with sequence-to-sequence training implemented in JAX, leading to a 100X
speedup compared to widely used vanilla deep operator network models. After an
offline training, the DNO model can act as surrogate of physics-based FEA to
predict the transient mechanical response in terms of reaction force and stress
distribution of the IPCs to various strain loads in one second at an accuracy
of 98%. Also, the learned operator is able to provide extended prediction of
the IPC beam subject to longer random strain loads at a reasonably well
accuracy.
- Abstract（参考訳）: 添加物製造は、コンピュータ支援設計モデルから直接複雑な三次元(3d)構造を持つ材料を製造できる産業技術革命として認識されている。
界面相複合材料(IPC)の力学的特性, 特に動的荷重に対する応答は, 3次元構造に大きく依存する。
一般に、特定の構造設計ごとに、有限要素解析(FEA)または与えられた動的負荷に対するIPCの機械的応答をテストする実験を行うのに数時間または数日かかる可能性がある。
種々の構造設計のためのIPCの力学特性の物理に基づく予測を高速化するため,我々はDNO(Deep Neural operator)を用いて,動的負荷下でのIPCの過渡応答を物理ベースFEAモデルのサロゲートとして学習する。
ヤング率2.7の比を持つ2つの金属で形成された3次元IPCビームを考察し,DNOモデルの汎用性とロバスト性を示すために構成材料のランダムなブロックを用いる。
IPC特性のFAA結果を得るには、ガウス過程ケネルによって生じる5000のランダムな時間依存ひずみ荷重を3次元IPCビームに適用し、様々な負荷下でのIPCビーム内の反応力および応力場を収集する。
その後、jaxで実装されたシーケンスからシーケンスへのトレーニングを備えたインクリメンタルな学習手法を用いてdnoモデルをトレーニングし、広く使用されているバニラディープオペレータネットワークモデルと比較して100倍のスピードアップを実現している。
オフライントレーニングの後、dnoモデルは物理ベースのfeaのサロゲートとして動作し、反応力と様々なひずみ負荷に対するipcの応力分布から1秒間に98%の精度で過渡的な機械的応答を予測することができる。
また、学習したオペレータは、ipcビームの長大なランダムひずみ荷重に対する拡張予測を適度に精度良く行うことができる。
関連論文リスト
- Tight Stability, Convergence, and Robustness Bounds for Predictive Coding Networks [60.3634789164648]
予測符号化(PC)のようなエネルギーベースの学習アルゴリズムは、機械学習コミュニティにおいて大きな注目を集めている。
動的システム理論のレンズを用いて,PCの安定性,堅牢性,収束性を厳密に解析する。
論文 参考訳（メタデータ） (2024-10-07T02:57:26Z) - A thermodynamically consistent physics-informed deep learning material model for short fiber/polymer nanocomposites [0.0]
本研究では, 種々の環境条件下での短繊維強化ナノ粒子充填エポキシスの粘弾性・粘弾性挙動を解析するための物理インフォームド・ディープ・ラーニング(PIDL)モデルを提案する。
PIDLモデルは, 種々の熱水条件下での繊維およびナノ粒子の体積分画に対するエポキシ系ナノコンポジットの力学的挙動を正確に予測することができる。
論文 参考訳（メタデータ） (2024-03-27T07:22:32Z) - Physics-Informed Neural Networks with Hard Linear Equality Constraints [9.101849365688905]
本研究は,線形等式制約を厳格に保証する物理インフォームドニューラルネットワークKKT-hPINNを提案する。
溶融タンク炉ユニット, 抽出蒸留サブシステム, 化学プラントのアスペンモデル実験により, このモデルが予測精度をさらに高めることを示した。
論文 参考訳（メタデータ） (2024-02-11T17:40:26Z) - SIP: Injecting a Structural Inductive Bias into a Seq2Seq Model by Simulation [75.14793516745374]
本稿では, 構造的帰納バイアスをセック2セックモデルに効率よく注入し, 合成データの構造的変換をシミュレートする方法について述べる。
実験の結果,本手法は所望の帰納バイアスを付与し,FSTのようなタスクに対してより優れた数発学習を実現することがわかった。
論文 参考訳（メタデータ） (2023-10-01T21:19:12Z) - A physics-informed machine learning model for reconstruction of dynamic
loads [0.0]
本稿では, 物理インフォームド・マシン・ラーニング・フレームワークを用いて, 測定された偏向, 速度, 加速度に基づいて動的力の再構成を行う。
このフレームワークは不完全で汚染されたデータを扱うことができ、ノイズ測定システムを考慮した自然な正規化手法を提供する。
開発されたフレームワークには、設計モデルと仮定、損傷検出と健康モニタリングを支援するための応答の予後が含まれる。
論文 参考訳（メタデータ） (2023-08-15T18:33:58Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - Neural Operator with Regularity Structure for Modeling Dynamics Driven
by SPDEs [70.51212431290611]
偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。
本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。
動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
論文 参考訳（メタデータ） (2022-04-13T08:53:41Z) - PARC: Physics-Aware Recurrent Convolutional Neural Networks to
Assimilate Meso-scale Reactive Mechanics of Energetic Materials [0.0]
衝撃開始エネルギー材料(EM)のメソスケール熱力学を学習する深層学習アルゴリズムであるPARCニューラルネットワークについて述べる。
PARCにおける人工ニューロンの可視化は、EM熱力学の重要な側面に光を当てることと、EMを概念化する追加レンズを提供することを実証する。
論文 参考訳（メタデータ） (2022-04-04T14:29:35Z) - 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) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳（メタデータ） (2021-02-25T20:28:52Z) - Predicting Mechanical Properties from Microstructure Images in
Fiber-reinforced Polymers using Convolutional Neural Networks [8.023452876968694]
本稿では,繊維強化ポリマー試料の2次元分割トモグラフィ画像の応力場予測のために,ScressNetから修正した完全畳み込みニューラルネットワークについて検討する。
トレーニングされたモデルは、通常のラップトップ上で1回のフォワードパスで数秒以内に予測を行うことができ、ハイパフォーマンスなコンピューティングクラスタ上で完全な有限要素シミュレーションを実行するのに92.5時間かかる。
論文 参考訳（メタデータ） (2020-10-07T22:15:48Z)
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。