論文の概要: Deep Learning Approaches for Dynamic Mechanical Analysis of Viscoelastic Fiber Composites

• arxiv url: http://arxiv.org/abs/2310.15188v1
• Date: Fri, 20 Oct 2023 23:33:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-25 22:43:43.658144
• Title: Deep Learning Approaches for Dynamic Mechanical Analysis of Viscoelastic Fiber Composites
• Title（参考訳）: 粘弾性繊維複合材料の動的力学解析のための深層学習手法
• Authors: Victor Hoffmann (1), Ilias Nahmed (1), Parisa Rastin (1 and 2), Gu\'ena\"el Cabanes (3), Julien Boisse (4) ((1) ENSMN, (2) LORIA UMR 7503, (3) LIPN UMR 7030, (4) LEMTA UMR 7563)
• Abstract要約: 強化ポリマー(RP)複合材料は、快適性、安全性、エネルギー効率を高めるために不可欠である。 マシンラーニング(ML)を使用して、マイクロ構造の設計と理解を迅速化することへの関心が高まっています。 本稿では, 深層ニューラルネットワークを用いて微細構造を機械的特性にマッピングし, プロセスの高速化と, 所望の特性から微細構造の生成を可能にすることを目的とする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increased adoption of reinforced polymer (RP) composite materials, driven by eco-design standards, calls for a fine balance between lightness, stiffness, and effective vibration control. These materials are integral to enhancing comfort, safety, and energy efficiency. Dynamic Mechanical Analysis (DMA) characterizes viscoelastic behavior, yet there's a growing interest in using Machine Learning (ML) to expedite the design and understanding of microstructures. In this paper we aim to map microstructures to their mechanical properties using deep neural networks, speeding up the process and allowing for the generation of microstructures from desired properties.
• Abstract（参考訳）: エコデザイン標準によって駆動される強化ポリマー(RP)複合材料の採用が増加し、光度、剛性、効果的な振動制御の微妙なバランスが求められた。 これらの材料は快適さ、安全性、エネルギー効率を高めるのに不可欠である。 動的力学解析(dma)は粘弾性挙動を特徴付けるが、組織の設計と理解を迅速化する機械学習(ml)の利用への関心は高まっている。 本稿では, 深層ニューラルネットワークを用いて微細構造を機械的特性にマッピングし, プロセスの高速化と, 所望の特性から微細構造の生成を可能にすることを目的とする。

関連論文リスト

• Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
  複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。 我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T23:13:55Z)
• Orientation-aware interaction-based deep material network in polycrystalline materials modeling [0.0]
  ディープマテリアルネットワーク(DMN)は効率的なサロゲートモデルとして提案されているが、テクスチャの進化を捉えるには不十分である。 ヒルマンデル原理に基づく指向性認識機構と相互作用機構を組み込んだ指向性認識インタラクションベースディープマテリアルネットワーク(ODMN)を提案する。 以上の結果から, ODMNは複雑な塑性変形下での機械的応答とテクスチャ進化を正確に予測し, 多結晶材料へのDMNの適用性を高めることが示唆された。
  論文  参考訳（メタデータ） (2025-02-04T16:25:15Z)
• 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)
• Neural Material Adaptor for Visual Grounding of Intrinsic Dynamics [48.99021224773799]
  本稿では,既存の物理法則を学習的補正と統合するニューラルネットワーク (NeuMA) を提案する。 また,粒子駆動型3次元ガウス平滑化モデルであるParticle-GSを提案する。
  論文  参考訳（メタデータ） (2024-10-10T17:43:36Z)
• Consistent machine learning for topology optimization with microstructure-dependent neural network material models [0.0]
  空間的に異なるミクロ構造対称性と異なる異なるマイクロ構造記述子を持つマルチスケール構造のためのフレームワークを提案する。 本研究は,密度に基づく設計最適化と整合性の統合の可能性を明らかにする。
  論文  参考訳（メタデータ） (2024-08-25T14:17:43Z)
• Equivariant graph convolutional neural networks for the representation of homogenized anisotropic microstructural mechanical response [1.283555556182245]
  異なるミクロ構造材料対称性を持つ複合材料は、工学的応用において一般的である。 異方性成分を持つ材料の効果的な均質化モデルを提供するニューラルネットワークアーキテクチャを提供する。
  論文  参考訳（メタデータ） (2024-04-05T14:49:01Z)
• Guided Diffusion for Fast Inverse Design of Density-based Mechanical Metamaterials [41.97258566607252]
  本稿では, ボクセルをベースとしたメカニカルメタマテリアルを生成するために, コアが高度な深層生成AIアルゴリズムである高速逆設計法を提案する。 具体的には, 1283ドルの分解能を持つマイクロ構造を生成できる自己条件拡散モデルを用いて, 特定の均質化行列にわずか3秒でアプローチする。
  論文  参考訳（メタデータ） (2024-01-24T16:31:50Z)
• Linking Properties to Microstructure in Liquid Metal Embedded Elastomers via Machine Learning [0.0]
  液体金属(LM)はエラストマーマトリックスに埋め込まれ、独特の熱、誘電体、機械的特性を持つ軟質複合材料が得られる。 これらの材料の性質と構造を結びつけることにより、材料設計を合理的に行うことができる。
  論文  参考訳（メタデータ） (2022-07-24T06:02:26Z)
• Symmetry Group Equivariant Architectures for Physics [52.784926970374556]
  機械学習の分野では、対称性に対する認識が目覚ましいパフォーマンスのブレークスルーを引き起こしている。 物理学のコミュニティと、より広い機械学習のコミュニティの両方に、理解すべきことがたくさんある、と私たちは主張する。
  論文  参考訳（メタデータ） (2022-03-11T18:27:04Z)
• How to See Hidden Patterns in Metamaterials with Interpretable Machine Learning [82.67551367327634]
  我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。 具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
  論文  参考訳（メタデータ） (2021-11-10T21:19:02Z)

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。