論文の概要: Crack-Net: Prediction of Crack Propagation in Composites
- arxiv url: http://arxiv.org/abs/2309.13626v1
- Date: Sun, 24 Sep 2023 12:57:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-26 18:32:28.103006
- Title: Crack-Net: Prediction of Crack Propagation in Composites
- Title（参考訳）: crack-net: 複合材料のき裂進展予測
- Authors: Hao Xu, Wei Fan, Ambrose C. Taylor, Dongxiao Zhang, Lecheng Ruan,
Rundong Shi
- Abstract要約: クラックネット(Crack-Net)は, ひび割れ進展と応力応答の関係を組み込んで, 複合材料における破壊過程を予測するフレームワークである。
クラックネットは, 所定の複合設計におけるひび割れ成長パターンと応力-ひずみ曲線の長期的変化を正確に予測する優れた能力を示す。
- 参考スコア（独自算出の注目度）: 8.284066773981262
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Computational solid mechanics has become an indispensable approach in
engineering, and numerical investigation of fracture in composites is essential
as composites are widely used in structural applications. Crack evolution in
composites is the bridge to elucidate the relationship between the
microstructure and fracture performance, but crack-based finite element methods
are computationally expensive and time-consuming, limiting their application in
computation-intensive scenarios. Here we propose a deep learning framework
called Crack-Net, which incorporates the relationship between crack evolution
and stress response to predict the fracture process in composites. Trained on a
high-precision fracture development dataset generated using the phase field
method, Crack-Net demonstrates a remarkable capability to accurately forecast
the long-term evolution of crack growth patterns and the stress-strain curve
for a given composite design. The Crack-Net captures the essential principle of
crack growth, which enables it to handle more complex microstructures such as
binary co-continuous structures. Moreover, transfer learning is adopted to
further improve the generalization ability of Crack-Net for composite materials
with reinforcements of different strengths. The proposed Crack-Net holds great
promise for practical applications in engineering and materials science, in
which accurate and efficient fracture prediction is crucial for optimizing
material performance and microstructural design.
- Abstract（参考訳）: 計算固体力学は工学において欠かせないアプローチとなり、複合材料の破壊の数値的研究は複合材料が構造的応用に広く使われているため不可欠である。
複合材料における亀裂進展は, 微細構造と破壊性能の関係を解明するための橋梁であるが, ひび割れに基づく有限要素法は計算コストが高く, 時間を要するため, 計算集約シナリオでの応用が制限される。
本稿では,複合材料の破壊過程を予測するために,亀裂進展と応力応答の関係を組み込んだcrack-netと呼ばれる深層学習フレームワークを提案する。
crack-netは, 位相場法を用いて生成した高精度き裂進展データセットに基づいて, き裂進展パターンの長期変化と応力-ひずみ曲線を正確に予測する能力を示す。
クラックネットは亀裂成長の本質的な原理を捉え、二元連続構造のようなより複雑な構造を扱うことができる。
さらに, 強度の異なる複合材料におけるクラックネットの一般化能力を向上させるために, 転写学習を採用した。
提案するclarch-netは, 材料性能およびミクロ組織設計の最適化において, 高精度かつ効率的な破壊予測が不可欠である工学および材料科学の実用化に大いに期待されている。
関連論文リスト
- Efficient Symmetry-Aware Materials Generation via Hierarchical Generative Flow Networks [52.13486402193811]
新しい固体材料は、結晶構造の広大な空間を急速に探索し、安定した領域を探索する必要がある。
既存の手法では、大きな材料空間を探索し、望ましい特性と要求を持った多様なサンプルを生成するのに苦労している。
本研究では, 材料空間の対称性を効果的に活用し, 所望の特性を持つ結晶構造を生成するために, 階層的探索戦略を用いた新しい生成モデルを提案する。
論文 参考訳（メタデータ） (2024-11-06T23:53:34Z) - Hybrid-Segmentor: A Hybrid Approach to Automated Fine-Grained Crack Segmentation in Civil Infrastructure [52.2025114590481]
エンコーダ・デコーダをベースとした手法であるHybrid-Segmentorを導入する。
これにより、モデルは、様々な種類の形状、表面、き裂の大きさを区別する一般化能力を向上させることができる。
提案モデルは,5つの測定基準(精度0.971,精度0.804,リコール0.744,F1スコア0.770,IoUスコア0.630)で既存ベンチマークモデルより優れ,最先端の状態を達成している。
論文 参考訳（メタデータ） (2024-09-04T16:47:16Z) - A spatiotemporal deep learning framework for prediction of crack dynamics in heterogeneous solids: efficient mapping of concrete microstructures to its fracture properties [0.0]
深層学習フレームワークは, コンクリートメソ構造中のフラクチャーの2次元フルフィールド予測を行うことができる。
メソ構造の平均応力-ひずみ曲線を予測できる畳み込みニューラルネットワークを開発した。
UNetモデリングフレームワークは、スキップ接続を持つエンコーダ-デコーダセクションで構成され、ディープラーニングサロゲートモデルとして使用される。
論文 参考訳（メタデータ） (2024-07-22T14:28:46Z) - A Planning-and-Exploring Approach to Extreme-Mechanics Force Fields [1.223779595809275]
我々は、ひずみ状態の空間のプリサンプリングとアクティブラーニング技術を組み合わせることで、骨折のためのニューラルネットワークベースの力場、NN-F$3$を開発する。
NN-F$3$の能力は、モデル問題としてh-BNおよびツイスト二層グラフェンの破断を研究することによって実証される。
論文 参考訳（メタデータ） (2023-10-30T06:59:01Z) - Real-time High-Resolution Neural Network with Semantic Guidance for
Crack Segmentation [4.651261550392625]
本稿では,ひび割れのセグメンテーションに特化して設計されたセマンティックガイダンスを備えた高分解能ネットワークHrSegNetについて述べる。
HrSegNetは、ひび割れの詳細を保存しながらリアルタイムの推論速度を保証する。
このアプローチは、高分解能モデリングとリアルタイム検出の間にトレードオフがあることを実証する。
論文 参考訳（メタデータ） (2023-07-01T08:38:18Z) - Infrastructure Crack Segmentation: Boundary Guidance Method and
Benchmark Dataset [11.282003429161163]
本稿では, き裂の固有特性について検討し, き裂の識別に境界特性を導入する。
境界誘導クラックセグメンテーションモデル(BGCrack)を、高頻度モジュールを含むターゲット構造とモジュールで構築する。
本稿では, 鋼ひび割れの同定のための統一的, 公正なベンチマークを確立するための鋼ひび割れデータセットを提供する。
論文 参考訳（メタデータ） (2023-06-15T15:25:53Z) - Deciphering RNA Secondary Structure Prediction: A Probabilistic K-Rook Matching Perspective [63.3632827588974]
RFoldは、与えられたシーケンスから最もよく一致するK-Rook解を予測する方法である。
RFoldは、最先端のアプローチよりも競争性能とおよそ8倍の推論効率を達成する。
論文 参考訳（メタデータ） (2022-12-02T16:34:56Z) - 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) - A Data-Driven Approach to Full-Field Damage and Failure Pattern
Prediction in Microstructure-Dependent Composites using Deep Learning [2.4309139330334846]
この作業は、そのような材料の高忠実度シミュレーションの複雑さと計算コストによって動機づけられます。
深層学習フレームワークは, 損傷後の応力分布と亀裂パターンを予測する。
提案手法は, 複合材料が損傷後の全応力分布と故障パターンを効果的に予測できることを示す。
論文 参考訳（メタデータ） (2021-04-09T17:11:50Z) - Structured Convolutions for Efficient Neural Network Design [65.36569572213027]
畳み込みニューラルネットワーク構築ブロックのテクスト単純構造における冗長性を利用してモデル効率に取り組む。
この分解が2Dカーネルや3Dカーネルだけでなく、完全に接続されたレイヤにも適用可能であることを示す。
論文 参考訳（メタデータ） (2020-08-06T04:38:38Z) - A General Framework for Consistent Structured Prediction with Implicit
Loss Embeddings [113.15416137912399]
構造化予測のための理論的・アルゴリズム的な枠組みを提案し,解析する。
問題に対して適切な幾何を暗黙的に定義する、損失関数の大規模なクラスについて検討する。
出力空間を無限の濃度で扱うとき、推定子の適切な暗黙の定式化が重要であることが示される。
論文 参考訳（メタデータ） (2020-02-13T10:30:04Z)
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。