論文の概要: Stress representations for tensor basis neural networks: alternative
formulations to Finger-Rivlin-Ericksen
- arxiv url: http://arxiv.org/abs/2308.11080v1
- Date: Mon, 21 Aug 2023 23:28:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-23 14:06:12.439201
- Title: Stress representations for tensor basis neural networks: alternative
formulations to Finger-Rivlin-Ericksen
- Title(参考訳): テンソルベースニューラルネットワークの応力表現 : フィンガーリブリン・エリクセンへの代替案
- Authors: Jan N. Fuhg, Nikolaos Bouklas, Reese E. Jones
- Abstract要約: 有限条件下での超弾性変形材料モデリングのための様々なテンソルニューラルネットワークモデルについて検討する。
電位ベースおよび係数ベースのアプローチと異なるキャリブレーション手法を比較した。
9つの変種は、3つの異なる材料に対してノイズとノイズの無いデータセットの両方に対して試験される。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data-driven constitutive modeling frameworks based on neural networks and
classical representation theorems have recently gained considerable attention
due to their ability to easily incorporate constitutive constraints and their
excellent generalization performance. In these models, the stress prediction
follows from a linear combination of invariant-dependent coefficient functions
and known tensor basis generators. However, thus far the formulations have been
limited to stress representations based on the classical Rivlin and Ericksen
form, while the performance of alternative representations has yet to be
investigated. In this work, we survey a variety of tensor basis neural network
models for modeling hyperelastic materials in a finite deformation context,
including a number of so far unexplored formulations which use theoretically
equivalent invariants and generators to Finger-Rivlin-Ericksen. Furthermore, we
compare potential-based and coefficient-based approaches, as well as different
calibration techniques. Nine variants are tested against both noisy and
noiseless datasets for three different materials. Theoretical and practical
insights into the performance of each formulation are given.
- Abstract(参考訳): ニューラルネットワークと古典的表現定理に基づくデータ駆動構成的モデリングフレームワークは,構成的制約を容易に組み込む能力と優れた一般化性能により,近年注目されている。
これらのモデルでは、応力予測は不変依存係数関数と既知のテンソル基底生成器の線形結合から導かれる。
しかし、これまでの定式化は古典リヴリンとエリクセンの形式に基づくストレス表現に限られているが、代替表現の性能はまだ調査されていない。
本研究では, 有限変形条件下での超弾性材料モデリングのための様々なテンソルベースニューラルネットワークモデルについて, 理論的に等価な不変量と生成器を用いた未探索の定式化を含む検討を行った。
さらに,様々なキャリブレーション手法とともに,ポテンシャルベースと係数ベースアプローチを比較した。
9つの変種は、3つの異なる材料に対してノイズとノイズのないデータセットの両方に対して試験される。
各定式化のパフォーマンスに関する理論的および実践的な洞察が与えられる。
関連論文リスト
- From Bricks to Bridges: Product of Invariances to Enhance Latent Space
Communication [10.015318634895959]
異なるニューラルネットワークによって学習された表現は、モデルが同様の誘導バイアスの下で訓練されたときに構造的類似性を隠蔽することが観察されている。
我々は,不変成分の積空間を潜在表現の上に構築し,その表現に不変量の集合を直接組み込む汎用的手法を導入する。
我々は,ゼロショット縫合設定において,一貫した遅延類似性および下流性能向上を観察し,分類および再構成タスクに対するソリューションの有効性を検証した。
論文 参考訳(メタデータ) (2023-10-02T13:55:38Z) - Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳(メタデータ) (2023-09-02T01:27:53Z) - 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) - On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。
このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。
我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
論文 参考訳(メタデータ) (2022-06-09T17:12:32Z) - Equivariant vector field network for many-body system modeling [65.22203086172019]
Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。
シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
論文 参考訳(メタデータ) (2021-10-26T14:26:25Z) - 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) - Instance-Based Neural Dependency Parsing [56.63500180843504]
依存関係解析のための解釈可能な推論プロセスを持つニューラルモデルを開発する。
私たちのモデルはインスタンスベースの推論を採用しており、トレーニングセットのエッジと比較することで、依存関係のエッジを抽出し、ラベル付けします。
論文 参考訳(メタデータ) (2021-09-28T05:30:52Z) - Approximate Latent Force Model Inference [1.3927943269211591]
潜在力モデルは、動的システムにおける推論のための純粋にデータ駆動ツールの解釈可能な代替手段を提供する。
ニューラルネットワークのアプローチは、モデルを数千のインスタンスにスケールし、高速で分散的な計算を可能にします。
論文 参考訳(メタデータ) (2021-09-24T09:55:00Z) - Tensor-Train Networks for Learning Predictive Modeling of
Multidimensional Data [0.0]
有望な戦略は、物理的および化学的用途で非常に成功したテンソルネットワークに基づいています。
本研究では, 多次元回帰モデルの重みをテンソルネットワークを用いて学習し, 強力なコンパクト表現を実現することを示した。
TT形式の重みを計算力の低減で近似するための最小二乗を交互に行うアルゴリズムが提案されている。
論文 参考訳(メタデータ) (2021-01-22T16:14:38Z) - Learning Partially Known Stochastic Dynamics with Empirical PAC Bayes [12.44342023476206]
本稿では,これらのモデルの予測精度を3段階で向上させる手法を提案する。
実験では、このレシピは、部分的およびノイズの多い事前知識を改良されたモデル適合に効果的に翻訳することを示した。
論文 参考訳(メタデータ) (2020-06-17T14:47:06Z) - Supervised Autoencoders Learn Robust Joint Factor Models of Neural
Activity [2.8402080392117752]
神経科学の応用は、行動結果とともに異なる領域の脳活動に対応する高次元予測因子を収集する。
予測因子と結果の結合因子モデルは自然であるが、これらのモデルの最大推定値は、モデルが不特定である場合に実際に苦労することがある。
本稿では,教師付きオートエンコーダに基づく代替推論手法を提案する。潜在因子に確率分布を配置するのではなく,高次元予測器の未知関数として定義する。
論文 参考訳(メタデータ) (2020-04-10T19:31:57Z)
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。