論文の概要: A peridynamic-informed deep learning model for brittle damage prediction

• arxiv url: http://arxiv.org/abs/2310.01350v1
• Date: Mon, 2 Oct 2023 17:12:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-04 20:39:38.621342
• Title: A peridynamic-informed deep learning model for brittle damage prediction
• Title（参考訳）: 動的インフォームド深層学習モデルによる脆性損傷予測
• Authors: Roozbeh Eghbalpoor, Azadeh Sheidaei
• Abstract要約: 熱力学的(PD)理論をPINNと組み合わせた新しい手法を提案し, 脆性材料における準静的損傷とき裂伝播を予測する。 提案したPD-INNは、異なる幾何学的パラメータに関連する複雑な変位パターンを学習し、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 study, a novel approach that combines the principles of peridynamic (PD) theory with PINN is presented to predict quasi-static damage and crack propagation in brittle materials. To achieve high prediction accuracy and convergence rate, the linearized PD governing equation is enforced in the PINN's residual-based loss function. The proposed PD-INN is able to learn and capture intricate displacement patterns associated with different geometrical parameters, such as pre-crack position and length. Several enhancements like cyclical annealing schedule and deformation gradient aware optimization technique are proposed to ensure the model would not get stuck in its trivial solution. The model's performance assessment is conducted by monitoring the behavior of loss function throughout the training process. The PD-INN predictions are also validated through several benchmark cases with the results obtained from high-fidelity techniques such as PD direct numerical method and Extended-Finite Element Method. Our results show the ability of the nonlocal PD-INN to predict damage and crack propagation accurately and efficiently.
• Abstract（参考訳）: 本研究では, 脆性材料の準静的損傷とひび割れ進展を予測するために, 周辺力学(pd)理論とピン理論を組み合わせた新しい手法を提案する。 高予測精度と収束率を達成するために、線形化されたPD支配方程式をPINNの残留基損失関数に適用する。 提案するpd-innは,クラック前の位置や長さなど,異なる幾何学的パラメータに関連する複雑な変位パターンを学習し,捉えることができる。 サイクリックアニーリングスケジュールや変形勾配認識最適化といったいくつかの改良が提案され、モデルが自明な解に留まらないようにしている。 モデルの性能評価は、トレーニングプロセス全体を通して損失関数の挙動を監視して行われる。 PD-INN予測は、PD直接数値法や拡張有限要素法などの高忠実度手法を用いて、いくつかのベンチマークケースで検証される。 以上の結果から,非局所pd-innは損傷や亀裂進展を正確にかつ効率的に予測できることがわかった。

関連論文リスト

• A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
  補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。 オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
  論文  参考訳（メタデータ） (2023-11-13T01:48:08Z)
• Model-Based Reparameterization Policy Gradient Methods: Theory and Practical Algorithms [88.74308282658133]
  Reization (RP) Policy Gradient Methods (PGM) は、ロボット工学やコンピュータグラフィックスにおける連続的な制御タスクに広く採用されている。 近年の研究では、長期強化学習問題に適用した場合、モデルベースRP PGMはカオス的かつ非滑らかな最適化環境を経験する可能性があることが示されている。 本稿では,長期モデルアンロールによる爆発的分散問題を緩和するスペクトル正規化法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T18:43:21Z)
• 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)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• PINN Training using Biobjective Optimization: The Trade-off between Data Loss and Residual Loss [0.0]
  物理情報ニューラルネットワーク(PINN)は、測定データが利用可能な問題を表現するための効率的なツールであることが証明されている。 本稿では、データ損失と残留損失を2つの個別目的関数として扱うことにより、PINNのトレーニングにおける多目的視点を提案する。
  論文  参考訳（メタデータ） (2023-02-03T15:27:50Z)
• Prediction intervals for neural network models using weighted asymmetric loss functions [0.3093890460224435]
  本稿では,近似および予測された傾向に対する予測区間(PI)を簡便かつ効率的に生成する手法を提案する。 本手法は、重み付き非対称損失関数を利用して、PIの上下境界を推定する。 パラメトリド関数のPIを導出するためにどのように拡張できるかを示し、深層ニューラルネットワークのトレーニングにおいてその有効性について議論する。
  論文  参考訳（メタデータ） (2022-10-09T18:58:24Z)
• Digital-twin-enhanced metal tube bending forming real-time prediction method based on Multi-source-input MTL [0.0]
  形成精度は、バネバックやその他の潜在的な形成欠陥により深刻な影響を受ける。 既存の手法は主にオフライン空間で行われ、物理世界のリアルタイム情報を無視している。 本稿では,ディジタルツイン強化(DT強化)金属管の曲げ加工をリアルタイムに予測する手法を提案する。
  論文  参考訳（メタデータ） (2022-07-03T05:49:04Z)
• Robust discovery of partial differential equations in complex situations [3.7314701799132686]
  本研究では,物理インフォームドニューラルネットワーク(PINN)を組み込んだ頑健な深層学習遺伝的アルゴリズム(R-DLGA)を提案する。 いくつかの複雑な状況下でのR-DLGAの安定性と精度を実証・概念として検討した。 提案手法は,PINNの最適化により,導関数を正確に計算できることを示す。
  論文  参考訳（メタデータ） (2021-05-31T02:11:59Z)
• Adaptive Degradation Process with Deep Learning-Driven Trajectory [5.060233857860902]
  RUL(Remaining useful Life)推定は、インテリジェントな予測保守と健康管理の実装において重要な要素である。 本論文では, ハイブリットDNNベースの予後予測モデルを開発し, 適応ドリフトを用いてシステム劣化を特徴づける。 LSTM-CNNエンコーダデコーダを開発し、ノイズ係数とドリフト係数を併用して将来の劣化軌道を予測し、ベイズ推論により適応ドリフトを更新する。
  論文  参考訳（メタデータ） (2021-03-22T06:00:42Z)
• BERT Loses Patience: Fast and Robust Inference with Early Exit [91.26199404912019]
  本稿では,事前学習した言語モデルの効率性と堅牢性を向上させるためのプラグイン・アンド・プレイ手法として,Patience-based Early Exitを提案する。 提案手法では,モデルを少ないレイヤで予測できるため,推論効率が向上する。
  論文  参考訳（メタデータ） (2020-06-07T13:38:32Z)
• Adversarial Distributional Training for Robust Deep Learning [53.300984501078126]
  逆行訓練(AT)は、逆行例によるトレーニングデータを増やすことにより、モデルロバスト性を改善する最も効果的な手法の一つである。 既存のAT手法の多くは、敵の例を作らせるために特定の攻撃を採用しており、他の目に見えない攻撃に対する信頼性の低い堅牢性につながっている。 本稿では,ロバストモデル学習のための新しいフレームワークであるADTを紹介する。
  論文  参考訳（メタデータ） (2020-02-14T12:36:59Z)

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。