論文の概要: Modeling Dislocation Dynamics Data Using Semantic Web Technologies
- arxiv url: http://arxiv.org/abs/2309.06930v1
- Date: Wed, 13 Sep 2023 13:03:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-14 14:21:34.425299
- Title: Modeling Dislocation Dynamics Data Using Semantic Web Technologies
- Title（参考訳）: セマンティックWeb技術を用いた転位ダイナミクスデータのモデリング
- Authors: Ahmad Zainul Ihsan, Said Fathalla, Stefan Sandfeld
- Abstract要約: 広く研究されている重要な材料は、金属や半導体を含む結晶材料である。
転位は強度、骨折、延性など様々な材料特性に影響を与える。
本稿では, 転位力学シミュレーションから得られたデータをWeb技術を用いてモデル化する方法について述べる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Research in the field of Materials Science and Engineering focuses on the
design, synthesis, properties, and performance of materials. An important class
of materials that is widely investigated are crystalline materials, including
metals and semiconductors. Crystalline material typically contains a distinct
type of defect called "dislocation". This defect significantly affects various
material properties, including strength, fracture toughness, and ductility.
Researchers have devoted a significant effort in recent years to understanding
dislocation behavior through experimental characterization techniques and
simulations, e.g., dislocation dynamics simulations. This paper presents how
data from dislocation dynamics simulations can be modeled using semantic web
technologies through annotating data with ontologies. We extend the already
existing Dislocation Ontology by adding missing concepts and aligning it with
two other domain-related ontologies (i.e., the Elementary Multi-perspective
Material Ontology and the Materials Design Ontology) allowing for representing
the dislocation simulation data efficiently. Moreover, we show a real-world use
case by representing the discrete dislocation dynamics data as a knowledge
graph (DisLocKG) that illustrates the relationship between them. We also
developed a SPARQL endpoint that brings extensive flexibility to query
DisLocKG.
- Abstract（参考訳）: 材料科学と工学の分野での研究は、材料の設計、合成、特性、性能に焦点を当てている。
広く研究されている重要な材料は、金属や半導体を含む結晶材料である。
結晶材料は通常「転位」と呼ばれる別の種類の欠陥を含む。
この欠陥は強度、破壊靭性、延性など様々な材料特性に大きな影響を与える。
研究者は近年, 実験的キャラクタリゼーション技術やシミュレーション, 例えば転位ダイナミクスシミュレーションなどを通じて転位挙動の解明に多大な努力を重ねている。
本稿では,オントロジーを用いたデータアノテートによるセマンティックウェブ技術を用いて,転位ダイナミクスシミュレーションからのデータモデリングを行う方法を提案する。
既に存在する転位オントロジーを拡張し、欠落する概念を追加し、他の2つのドメイン関連オントロジー(すなわち、基本マルチパースペクティブな材料オントロジーと材料設計オントロジー)と整合させることにより、転位シミュレーションデータを効率的に表現できる。
さらに,それらの関係を説明する知識グラフ(dislockg)として離散的転位ダイナミクスデータを表現することにより,実世界のユースケースを示す。
また、DisLocKGのクエリに広範な柔軟性を提供するSPARQLエンドポイントも開発しました。
関連論文リスト
- DISO: A Domain Ontology for Modeling Dislocations in Crystalline
Materials [0.0]
本稿では, 結晶材料の線形欠陥に関する概念と関係を定義した転位オントロジー(DISO)を紹介する。
DISOの2つの潜在的なユースケースは、転位ダイナミクス領域におけるその有用性を示すために提示される。
論文 参考訳（メタデータ） (2024-01-04T21:06:28Z) - 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) - Efficient Surrogate Models for Materials Science Simulations: Machine
Learning-based Prediction of Microstructure Properties [0.0]
いくつかの機械学習アルゴリズムがこれらの科学分野に応用され、シミュレーションモデルや代理モデルを強化し、加速している。
材料科学分野の2つの異なるデータセットに基づいて,6つの機械学習技術の応用について検討する。
論文 参考訳（メタデータ） (2023-09-01T07:29:44Z) - Dynamic Latent Separation for Deep Learning [67.62190501599176]
機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。
本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
論文 参考訳（メタデータ） (2022-10-07T17:56:53Z) - Constructing Neural Network-Based Models for Simulating Dynamical
Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。
本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。
基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文 参考訳（メタデータ） (2021-11-02T10:51:42Z) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳（メタデータ） (2021-03-29T11:30:18Z) - Exploring the potential of transfer learning for metamodels of
heterogeneous material deformation [0.0]
転送学習は,低忠実度シミュレーションデータとシミュレーションデータの両方を利用することができることを示す。
我々は、大きな変形を受ける異種材料のオープンソースベンチマークデータセットであるMechanical MNISTを拡張した。
これらの低忠実度シミュレーション結果に基づいて学習したメタモデルに蓄積された知識の伝達は、高忠実度シミュレーションの結果を予測するのに使用されるメタモデルの性能を大幅に向上させることができることを示す。
論文 参考訳（メタデータ） (2020-10-28T12:43:46Z) - Augmenting Physical Models with Deep Networks for Complex Dynamics
Forecasting [34.61959169976758]
APHYNITYは、深層データ駆動モデルを持つ微分方程式によって記述された不完全な物理力学を増大させる原理的なアプローチである。
これは、動的を2つのコンポーネントに分解することで構成されます。物理コンポーネントは、事前の知識を持つダイナミクスを、データ駆動コンポーネントは、物理モデルのエラーを説明します。
論文 参考訳（メタデータ） (2020-10-09T09:31:03Z) - Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。
ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。
提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
論文 参考訳（メタデータ） (2020-08-05T15:45:54Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z) - Intelligent multiscale simulation based on process-guided composite
database [0.0]
本稿では、プロセスモデリング、材料均質化、機械学習に基づく統合データ駆動モデリングフレームワークを提案する。
我々は, 自動車, 航空宇宙, エレクトロニクス産業において重要な材料システムとして認識されてきた, 射出成形した短繊維強化複合材料に興味を持っている。
論文 参考訳（メタデータ） (2020-03-20T20:39:19Z)
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。