論文の概要: Generative Hyperelasticity with Physics-Informed Probabilistic Diffusion
Fields
- arxiv url: http://arxiv.org/abs/2310.03745v1
- Date: Mon, 11 Sep 2023 19:35:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 04:47:05.295251
- Title: Generative Hyperelasticity with Physics-Informed Probabilistic Diffusion
Fields
- Title(参考訳): 物理インフォームド確率拡散場による生成超弾性
- Authors: Vahidullah Tac, Manuel K Rausch, Ilias Bilionis, Francisco Sahli
Costabal, Adrian Buganza Tepole
- Abstract要約: データ駆動型ひずみエネルギー関数は、複雑な物質の挙動を捉える柔軟性を有する。
我々は、生成モデルにおける最近の進歩を活用して、現実的な超弾性材料モデルを作成する。
我々は、任意の測地に対する不均一な材料特性における空間的相関拡散へのアプローチを拡張した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Many natural materials exhibit highly complex, nonlinear, anisotropic, and
heterogeneous mechanical properties. Recently, it has been demonstrated that
data-driven strain energy functions possess the flexibility to capture the
behavior of these complex materials with high accuracy while satisfying
physics-based constraints. However, most of these approaches disregard the
uncertainty in the estimates and the spatial heterogeneity of these materials.
In this work, we leverage recent advances in generative models to address these
issues. We use as building block neural ordinary equations (NODE) that -- by
construction -- create polyconvex strain energy functions, a key property of
realistic hyperelastic material models. We combine this approach with
probabilistic diffusion models to generate new samples of strain energy
functions. This technique allows us to sample a vector of Gaussian white noise
and translate it to NODE parameters thereby representing plausible strain
energy functions. We extend our approach to spatially correlated diffusion
resulting in heterogeneous material properties for arbitrary geometries. We
extensively test our method with synthetic and experimental data on biological
tissues and run finite element simulations with various degrees of spatial
heterogeneity. We believe this approach is a major step forward including
uncertainty in predictive, data-driven models of hyperelasticity
- Abstract(参考訳): 多くの天然物は高度に複雑、非線形、異方性、不均一な機械的性質を示す。
近年、データ駆動型ひずみエネルギー関数は、これらの複雑な物質の挙動を高精度に捉えつつ、物理に基づく制約を満たす柔軟性を有することが示されている。
しかし、これらのアプローチのほとんどは、これらの物質の推定と空間的不均一性の不確実性を無視している。
本研究では、これらの問題に対処するために、最近の生成モデルの発展を活用している。
我々はブロック型ニューラル常微分方程式(NODE)の構築に利用し、建設によって、現実的な超弾性物質モデルの重要な性質であるポリ凸ひずみエネルギー関数を生成する。
このアプローチを確率拡散モデルと組み合わせることで,ひずみエネルギー関数の新しいサンプルを生成する。
この手法により、ガウスホワイトノイズのベクトルをサンプリングし、NODEパラメータに変換することで、可塑性ひずみエネルギー関数を表現できる。
任意の測地線に対する不均質な材料特性をもたらす空間的相関拡散へのアプローチを拡張した。
生体組織に関する合成および実験データを用いて本手法を広範囲に検証し, 空間的不均一性の異なる有限要素シミュレーションを行った。
我々はこのアプローチが超弾性の予測的データ駆動モデルにおける不確実性を含む大きな前進であると信じている。
関連論文リスト
- Populating cellular metamaterials on the extrema of attainable elasticity through neuroevolution [4.172612182606883]
材料の異なる機械的特性間のトレードオフは、工学的材料設計における課題を提起する。
我々は、多目的最適化(MOO)問題を効率的に解くために、神経進化アルゴリズムを用いる。
本手法は多分野にわたる多種多様なメタマテリアルの計算的発見のための普遍的な枠組みとして機能する。
論文 参考訳(メタデータ) (2024-12-15T08:18:30Z) - Geometric Trajectory Diffusion Models [58.853975433383326]
生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。
既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。
本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
論文 参考訳(メタデータ) (2024-10-16T20:36:41Z) - HomoGenius: a Foundation Model of Homogenization for Rapid Prediction of Effective Mechanical Properties using Neural Operators [12.845932824311182]
均質化(homogenization)は、多スケールの物理現象を研究するための重要なツールである。
本稿では,演算子学習に基づく数値ホモジェナイゼーションモデルを提案する。
提案したモデルでは、任意の測地、材料、解像度に対して、迅速に均質化結果を提供することができる。
論文 参考訳(メタデータ) (2024-03-18T06:47:35Z) - 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) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳(メタデータ) (2023-07-11T16:51:38Z) - Physics-informed UNets for Discovering Hidden Elasticity in
Heterogeneous Materials [0.0]
弾性インバージョンのための新しいUNetベースニューラルネットワークモデル(El-UNet)を開発した。
完全接続された物理インフォームドニューラルネットワークと比較して,El-UNetによる精度と計算コストの両面で優れた性能を示す。
論文 参考訳(メタデータ) (2023-06-01T23:35:03Z) - 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) - Data-driven anisotropic finite viscoelasticity using neural ordinary
differential equations [0.0]
本研究では, ニューラル常微分方程式をビルディングブロックとして用いた, 異方性有限粘弾性の完全なデータ駆動モデルを構築した。
我々は、ヘルムホルツ自由エネルギー関数と散逸ポテンシャルを、物理に基づく制約を満たすデータ駆動関数に置き換える。
本モデルは,脳組織,血液凝固物,天然ゴム,ヒト心筋などの生体および合成材料のストレス-ひずみデータを用いて訓練する。
論文 参考訳(メタデータ) (2023-01-11T17:03:46Z) - 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) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳(メタデータ) (2021-10-18T14:43:50Z) - Automatically Polyconvex Strain Energy Functions using Neural Ordinary
Differential Equations [0.0]
深層ニューラルネットワークは、フォーム近似の制約なしに複雑な物質を学習することができる。
N-ODE材料モデルは、クローズドフォーム材料モデルから生成された合成データをキャプチャすることができる。
フレームワークは、大きな種類の材料をモデル化するのに使用できます。
論文 参考訳(メタデータ) (2021-10-03T13:11:43Z)
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。