論文の概要: A Neural Network Transformer Model for Composite Microstructure Homogenization
- arxiv url: http://arxiv.org/abs/2304.07877v2
- Date: Wed, 29 May 2024 02:20:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-31 02:41:05.645002
- 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モデル
- Authors: Emil Pitz, Kishore Pochiraju,
- Abstract要約: 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もたらす。
本稿では,様々なミクロ構造の知識を捉えた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。
ネットワークは、履歴に依存し、非線形で、均質化されたストレス-ひずみ応答を予測する。
- 参考スコア(独自算出の注目度): 1.2277343096128712
- 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 (ROMs) commonly enhance efficiencies but 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 of linearly elastic fibers in an elastoplastic matrix, the transformer network predicts the history-dependent, non-linear, and homogenized stress-strain response. Two methods for encoding microstructure features were tested: calculating two-point statistics using Principal Component Analysis (PCA) for dimensionality reduction and employing an autoencoder with a Convolutional Neural Network (CNN). Both methods accurately predict the homogenized material response. The developed transformer neural network offers an efficient means for microstructure-to-property translation, generalizable and extendable to a variety of microstructures. The paper describes the network architecture, training and testing data generation, and performance 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、応力場における解の不正確さと、近似された場合の故障予測につながる。
任意の構造と非線形構造を解析するのに適する手法は存在するが、その計算コストは大規模構造解析において実用的ではない。
サロゲートモデル (Surrogate Model) またはリダクションオーダーモデル (ROM) は、一般的に効率を高めるが、通常は単一のマイクロ構造でキャリブレーションされる。
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もたらす。
しかし、位相における応力やひずみ平均化のような仮定を単純化することは、ミクロ構造における決定論的および確率的バリエーションの両方を考慮すべきである。
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。
エラストプラストマトリックス内の線形弾性繊維の任意の合成ミクロ構造のイメージや抽象化が与えられた場合、トランスフォーマーネットワークは、履歴依存、非線形、均質化されたストレス-ひずみ応答を予測する。
主成分分析 (PCA) を用いた2点統計計算と, 畳み込みニューラルネットワーク (CNN) を用いたオートエンコーダを用いた。
どちらの手法も、均質化物質応答を正確に予測する。
開発されたトランスニューラルネットワークは、様々なミクロ構造に一般化可能で拡張可能な、ミクロ構造間翻訳の効率的な手段を提供する。
本稿では,サイクリングおよびランダム負荷下でのネットワークアーキテクチャ,データ生成のトレーニングとテスト,パフォーマンスについて述べる。
関連論文リスト
- Neural Network Accelerated Process Design of Polycrystalline
Microstructures [23.897115046430635]
物理拡散制約を用いたニューラルネットワーク(NN)による微細構造進化予測手法を開発した。
本研究では,銅の均一化剛性を最大化するためにNN法を適用した。
従来の有限要素シミュレータと比較して均質化剛性は0.053%の誤差で686倍高速であることがわかった。
論文 参考訳(メタデータ) (2023-04-11T20:35:29Z) - 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。