論文の概要: A Neural Network Transformer Model for Composite Microstructure Homogenization

• arxiv url: http://arxiv.org/abs/2304.07877v1
• Date: Sun, 16 Apr 2023 19:57:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-18 17:01:48.830951
• Title: A Neural Network Transformer Model for Composite Microstructure Homogenization
• Title（参考訳）: 複合組織均質化のためのニューラルネットワークトランスフォーマーモデル
• Authors: Emil Pitz and Kishore Pochiraju
• Abstract要約: 複合組織における不均一性と不確実性は、厳密にモデル化された場合の計算ボトルネックや、応力場における不正確な解や、近似された場合の故障予測につながる。 本稿では,様々なミクロ構造や構成成分の知識を捉えるトランスフォーマーニューラルネットワークアーキテクチャについて述べる。
• 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: Heterogeneity and uncertainty in a composite microstructure lead to either computational bottlenecks if modeled rigorously, or to solution inaccuracies in the stress field and failure predictions if approximated. Although methods suitable for analyzing arbitrary and non-linear microstructures exist, their computational cost makes them impractical to use in large-scale structural analysis. Surrogate models or Reduced Order Models (ROM), commonly enhance efficiencies, but they are typically calibrated with a single microstructure. Homogenization methods, such as the Mori-Tanaka method, offer rapid homogenization for a wide range of constituent properties. However, simplifying assumptions, like stress and strain averaging in phases, render the consideration of both deterministic and stochastic variations in microstructure infeasible. This paper illustrates a transformer neural network architecture that captures the knowledge of various microstructures and constituents, enabling it to function as a computationally efficient homogenization surrogate model. Given an image or an abstraction of an arbitrary composite microstructure, the transformer network predicts the homogenized stress-strain response. Two methods were tested that encode features of the microstructure. The first method calculates two-point statistics of the microstructure and uses Principal Component Analysis for dimensionality reduction. The second method uses an autoencoder with a Convolutional Neural Network. Both microstructure encoding methods accurately predict the homogenized material response. The paper describes the network architecture, training and testing data generation and the performance of the transformer network under cycling and random loadings.
• Abstract（参考訳）: 複合組織における不均一性と不確実性は、厳密にモデル化された場合の計算ボトルネックか、応力場の不正確さと近似された場合の故障予測のいずれかをもたらす。 任意および非線形の微細構造解析に適した手法は存在するが、計算コストは大規模構造解析での使用を非現実的にしている。 サーロゲートモデルまたは還元順序モデル(rom)は一般的に効率性を高めるが、通常は単一の微細構造で校正される。 森田中法のような均質化法は、幅広い構成特性に対して急速な均質化を提供する。 しかし、応力や位相平均化のような仮定を単純化することは、構造の決定論的および確率的変化の両方の考慮を不可能にする。 本稿では,様々な構造や構成要素の知識を取り込み,計算効率のよい均質化サロゲートモデルとして機能するトランスフォーマリンニューラルネットワークアーキテクチャについて述べる。 任意の複合組織の画像や抽象化が与えられると、トランスフォーマーネットワークは均質化された応力-ひずみ応答を予測する。 マイクロ構造の特徴を符号化する2つの方法が試験された。 第1の方法は、ミクロ構造の2点統計を計算し、主成分分析を用いて次元の減少を図る。 第2の方法は、畳み込みニューラルネットワークを備えたオートエンコーダを使用する。 どちらのマイクロ構造符号化法も、均質化材料応答を正確に予測する。 本稿では,ネットワークアーキテクチャ,トレーニングおよびテストデータ生成,サイクリングおよびランダムロード時のトランスフォーマネットワークの性能について述べる。

関連論文リスト

• Consistent machine learning for topology optimization with microstructure-dependent neural network material models [0.0]
  空間的に異なるミクロ構造対称性と異なる異なるマイクロ構造記述子を持つマルチスケール構造のためのフレームワークを提案する。 本研究は,密度に基づく設計最適化と整合性の統合の可能性を明らかにする。
  論文  参考訳（メタデータ） (2024-08-25T14:17:43Z)
• Denoising diffusion algorithm for inverse design of microstructures with fine-tuned nonlinear material properties [0.0]
  非線形微調整特性を持つ微細構造を発見するための分極拡散アルゴリズムを提案する。 畳み込みニューラルネットワークサロゲートは、高忠実度有限要素シミュレーションを置き換えるために訓練され、許容範囲外のプロトタイプをフィルタリングする。 このアルゴリズムは、オープンソースのメカニカルMNISTデータセットでテストされる。
  論文  参考訳（メタデータ） (2023-02-24T20:31:48Z)
• A micromechanics-based recurrent neural networks model for path-dependent cyclic deformation of short fiber composites [0.0]
  本研究では, 短繊維強化複合材料の経路依存性弾塑性応力応答を予測するために, 繰り返し深部ニューラルネットワークモデルを訓練する。 このモデルは、独立したマイクロメカニカルシミュレーションと比較した場合、計算的に非常に正確な予測を与える。
  論文  参考訳（メタデータ） (2022-09-27T12:14:15Z)
• Three-dimensional microstructure generation using generative adversarial neural networks in the context of continuum micromechanics [77.34726150561087]
  本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。 軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
  論文  参考訳（メタデータ） (2022-05-31T13:26:51Z)
• 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)
• Thermodynamics-based Artificial Neural Networks (TANN) for multiscale modeling of materials with inelastic microstructure [0.0]
  マルチスケールの均質化手法は、非弾性材料のマクロ力学的挙動の信頼性と正確な予測を行うためにしばしば用いられる。 ディープラーニングに基づくデータ駆動型アプローチは、アドホックな法則や高速な数値手法に代わる、有望な代替手段として台頭している。 本稿では,非弾性・複雑な構造を持つ機械材料のモデリングのための熱力学に基づくニューラルネットワーク(TANN)を提案する。
  論文  参考訳（メタデータ） (2021-08-30T11:50:38Z)
• Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
  ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。 既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。 ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
  論文  参考訳（メタデータ） (2021-06-15T17:22:59Z)
• EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based Models [53.17320541056843]
  本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。 EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
  論文  参考訳（メタデータ） (2021-05-11T03:40:29Z)
• Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
  結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。 新規な構造化融合正規化に基づく一般グラフ推定器を提案する。 提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
  論文  参考訳（メタデータ） (2021-03-05T04:42:32Z)
• ACDC: Weight Sharing in Atom-Coefficient Decomposed Convolution [57.635467829558664]
  我々は,CNNにおいて,畳み込みカーネル間の構造正則化を導入する。 我々はCNNがパラメータや計算量を劇的に減らして性能を維持していることを示す。
  論文  参考訳（メタデータ） (2020-09-04T20:41:47Z)

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。