論文の概要: Predicting and explaining nonlinear material response using deep Physically Guided Neural Networks with Internal Variables

• arxiv url: http://arxiv.org/abs/2308.03915v1
• Date: Mon, 7 Aug 2023 21:20:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-09 14:55:43.120338
• Title: Predicting and explaining nonlinear material response using deep Physically Guided Neural Networks with Internal Variables
• Title（参考訳）: 内部変数を持つディープ物理誘導ニューラルネットワークによる非線形材料応答の予測と説明
• Authors: Javier Orera-Echeverria, Jacobo Ayensa-Jim\'enez, Manuel Doblare
• Abstract要約: 我々は、内部変数を用いた物理ガイドニューラルネットワーク(PGNNIV)の概念を用いて法則を探索する。 PGNNIVは特定の隠された層に制約を課すために、問題の物理を特に利用している。 PGNNIVは、未確認の負荷シナリオ下で、内部変数と外部変数の両方を予測することができることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nonlinear materials are often difficult to model with classical state model theory because they have a complex and sometimes inaccurate physical and mathematical description or we simply do not know how to describe such materials in terms of relations between external and internal variables. In many disciplines, Neural Network methods have arisen as powerful tools to identify very complex and non-linear correlations. In this work, we use the very recently developed concept of Physically Guided Neural Networks with Internal Variables (PGNNIV) to discover constitutive laws using a model-free approach and training solely with measured force-displacement data. PGNNIVs make a particular use of the physics of the problem to enforce constraints on specific hidden layers and are able to make predictions without internal variable data. We demonstrate that PGNNIVs are capable of predicting both internal and external variables under unseen load scenarios, regardless of the nature of the material considered (linear, with hardening or softening behavior and hyperelastic), unravelling the constitutive law of the material hence explaining its nature altogether, placing the method in what is known as eXplainable Artificial Intelligence (XAI).
• Abstract（参考訳）: 非線形材料は、しばしば古典的状態モデル理論でモデル化することが困難である。なぜならそれらは複雑で、時に不正確な物理的および数学的記述を持つからである。 多くの分野において、ニューラルネットワーク手法は、非常に複雑で非線形な相関を識別するための強力なツールとして生まれてきた。 本研究では、最近開発された内部変数付き物理ガイドニューラルネットワーク(PGNNIV)を用いて、モデルフリーアプローチによる構成法則の発見と、測定された力変位データのみを用いたトレーニングを行う。 PGNNIVは、特定の隠された層に制約を強制するために問題の物理学を特に利用し、内部変数データなしで予測を行うことができる。 pgnnivsは, 対象物質の性質(線形, 硬化, 軟化挙動, 過弾性)に関わらず, 内部および外部変数の両方を予測でき, その性質を完全に説明し, 説明可能な人工知能 (xai) に組み込むことができることを示した。

関連論文リスト

• Learning Neural Constitutive Laws From Motion Observations for Generalizable PDE Dynamics [97.38308257547186]
  多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。 PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。 そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2023-04-27T17:42:24Z)
• Learning solution of nonlinear constitutive material models using physics-informed neural networks: COMM-PINN [0.0]
  非線形, 経路依存的な物質挙動の関係を解くために, 物理インフォームドニューラルネットワークを適用した。 この研究の利点の1つは、複雑な物質モデルにおける非線形方程式を解くのに必要な反復ニュートン反復をバイパスすることである。
  論文  参考訳（メタデータ） (2023-04-10T19:58:49Z)
• Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
  グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。 物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。 本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
  論文  参考訳（メタデータ） (2022-10-13T10:00:30Z)
• Evolution TANN and the discovery of the internal variables and evolution equations in solid mechanics [0.0]
  材料表現をインクリメンタルな定式化から切り離す新しい手法を提案する。 熱力学に基づくニューラルネットワーク(TANN)と内部変数の理論にインスパイアされた進化 TANN(eTANN)は、連続時間である。 提案手法の主な特徴は、通常の微分方程式の形で内部変数の進化方程式の発見である。
  論文  参考訳（メタデータ） (2022-09-27T09:25:55Z)
• Equivariant Graph Mechanics Networks with Constraints [83.38709956935095]
  本稿では,グラフ力学ネットワーク(GMN)を提案する。 GMNは、一般化された座標により、構造体の前方運動学情報(位置と速度)を表す。 大規模な実験は、予測精度、制約満足度、データ効率の観点から、最先端のGNNと比較してGMNの利点を支持する。
  論文  参考訳（メタデータ） (2022-03-12T14:22:14Z)
• 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)
• Neural NID Rules [2.1030878979833467]
  対象物間の抽象的特性と関係を,適切に正規化されたグラフニューラルネットワークを用いて学習する手法であるNeural NIDを導入する。 モデルにより学習された遷移ダイナミクスを評価するために特別に設計された単純なベンチマーク上で、ニューラルNIDのより広範な一般化能力を検証する。
  論文  参考訳（メタデータ） (2022-02-12T10:47:06Z)
• Meta-learning using privileged information for dynamics [66.32254395574994]
  Neural ODE Processモデルを拡張して、Learning Using Privileged Information設定内の追加情報を使用します。 シミュレーション動的タスクの精度とキャリブレーションを向上した実験により拡張性を検証する。
  論文  参考訳（メタデータ） (2021-04-29T12:18:02Z)
• On the application of Physically-Guided Neural Networks with Internal Variables to Continuum Problems [0.0]
  内部変数を用いた物理誘導型ニューラルネットワーク(PGNNIV)を提案する。 普遍的な物理法則は、あるニューロンの値がシステムの内部状態変数として解釈されるように、ニューラルネットワークの制約として使用される。 これにより、ネットワークの容量が拡大するだけでなく、より高速な収束、少ないデータ要求、追加のノイズフィルタリングといった予測特性も向上する。 トレーニングセットで測定可能な値のみを用いることで,予測的かつ説明的能力を示すことによって,この新たな方法論を連続的な物理問題に拡張する。
  論文  参考訳（メタデータ） (2020-11-23T13:06:52Z)
• Identification of state functions by physically-guided neural networks with physically-meaningful internal layers [0.0]
  我々は,物理系における入力-出力関係を予測するために,物理的拘束型ニューラルネットワーク(PCNN)の概念を用いる。 このアプローチは、物理的に予測されるだけでなく、トレーニングプロセスの加速を図っている。
  論文  参考訳（メタデータ） (2020-11-17T11:26:37Z)
• Developing Constrained Neural Units Over Time [81.19349325749037]
  本稿では,既存のアプローチと異なるニューラルネットワークの定義方法に焦点をあてる。 ニューラルネットワークの構造は、データとの相互作用にも拡張される制約の特別なクラスによって定義される。 提案した理論は時間領域にキャストされ, データを順序づけられた方法でネットワークに提示する。
  論文  参考訳（メタデータ） (2020-09-01T09:07:25Z)

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。