論文の概要: A machine learning-based viscoelastic-viscoplastic model for epoxy
nanocomposites with moisture content
- arxiv url: http://arxiv.org/abs/2305.08102v1
- Date: Sun, 14 May 2023 08:33:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-16 17:35:07.535959
- Title: A machine learning-based viscoelastic-viscoplastic model for epoxy
nanocomposites with moisture content
- Title（参考訳）: 水分含有エポキシナノコンポジットの機械学習による粘弾性・粘弾性モデル
- Authors: Betim Bahtiri, Behrouz Arash, Sven Scheffler, Maximilian Jux, Raimund
Rolfes
- Abstract要約: 本研究では, 含水ナノ粒子の循環粘弾性・粘弾性・粘塑性損傷挙動を解析するための深層学習モデルを提案する。
サンプリング手法と摂動法を組み合わせた長期記憶ネットワークを訓練する。
実験によって検証された粘弾性-粘弾性-粘弾性モデルにより生成されたトレーニングデータとともに、DLモデルは、速度依存性の応力-ひずみ関係を正確に捉えることができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we propose a deep learning (DL)-based constitutive model for
investigating the cyclic viscoelastic-viscoplastic-damage behavior of
nanoparticle/epoxy nanocomposites with moisture content. For this, a long
short-term memory network is trained using a combined framework of a sampling
technique and a perturbation method. The training framework, along with the
training data generated by an experimentally validated
viscoelastic-viscoplastic model, enables the DL model to accurately capture the
rate-dependent stress-strain relationship and consistent tangent moduli. In
addition, the DL-based constitutive model is implemented into finite element
analysis. Finite element simulations are performed to study the effect of load
rate and moisture content on the force-displacement response of nanoparticle/
epoxy samples. Numerical examples show that the computational efficiency of the
DL model depends on the loading condition and is significantly higher than the
conventional constitutive model. Furthermore, comparing numerical results and
experimental data demonstrates good agreement with different nanoparticle and
moisture contents.
- Abstract（参考訳）: 本研究では, ナノ粒子/エポキシナノコンポジットの循環粘弾性・粘弾性損傷挙動を水分含量で解析する, 深層学習に基づく構成モデルを提案する。
このため、サンプリング技法と摂動法を組み合わせたフレームワークを用いて、長期短期記憶ネットワークを訓練する。
実験で検証された粘弾性粘弾性粘塑性モデルによって生成されたトレーニングデータとともに、dlモデルが速度依存性の応力-ひずみ関係と一貫した接モジュラリティを正確に捉えることができる。
さらに、dlに基づく構成モデルは有限要素解析に実装される。
ナノ粒子/エポキシ試料の力-変位応答に及ぼす荷重速度と水分量の影響を有限要素シミュレーションにより検討した。
数値的な例は、DLモデルの計算効率が負荷条件に依存し、従来の構成モデルよりもかなり高いことを示している。
さらに, 数値計算結果と実験データを比較すると, 異なるナノ粒子や水分量と良好な一致を示した。
関連論文リスト
- Physically recurrent neural network for rate and path-dependent heterogeneous materials in a finite strain framework [0.0]
不均一物質のマイクロスケール解析のためのハイブリッド物理に基づくデータ駆動サロゲートモデルについて検討した。
提案したモデルは、ニューラルネットワークにそれらを埋め込むことで、フルオーダーのマイクロモデルで使用されるモデルに含まれる物理に基づく知識の恩恵を受ける。
論文 参考訳（メタデータ） (2024-04-05T12:40:03Z) - 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) - Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳（メタデータ） (2024-02-19T02:08:09Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Deep-learning-based prediction of nanoparticle phase transitions during
in situ transmission electron microscopy [3.613625739845355]
我々は、過去のフレームのシーケンスの入力に基づいて、将来のビデオフレームのシーケンスを予測するために、ディープラーニングモデルを訓練する。
この能力は、動的反応条件下でのAuナノ粒子の粒径依存構造変化の洞察を与える。
新たな自動実験プラットフォームのための化学反応の次のステップを予測できるかもしれない。
論文 参考訳（メタデータ） (2022-05-23T15:50:24Z) - A Physics-Guided Neural Operator Learning Approach to Model Biological
Tissues from Digital Image Correlation Measurements [3.65211252467094]
本稿では, 生体組織モデリングにおけるデータ駆動型相関について述べる。これは, 未知の負荷シナリオ下でのデジタル画像相関(DIC)測定に基づいて変位場を予測することを目的としている。
ブタ三尖弁リーフレット上の多軸延伸プロトコルのDIC変位追跡測定から材料データベースを構築した。
材料応答は、負荷から結果の変位場への解演算子としてモデル化され、材料特性はデータから暗黙的に学習され、自然にネットワークパラメータに埋め込まれる。
論文 参考訳（メタデータ） (2022-04-01T04:56:41Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Dynamic fracture of a bicontinuously nanostructured copolymer: A deep
learning analysis of big-data-generating experiment [0.0]
両連続ナノ構造を有するポリウレアの動的破壊靭性および凝集パラメータを極端に高いクラック・リップ負荷速度で報告した。
ポリウレアの動的凝集パラメータは, 事前学習したCNNアーキテクチャにより初めて得られた。
論文 参考訳（メタデータ） (2021-12-03T15:31:59Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳（メタデータ） (2021-06-25T22:08:51Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳（メタデータ） (2021-06-05T01:31:51Z)
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。