論文の概要: Neural Stress Fields for Reduced-order Elastoplasticity and Fracture
- arxiv url: http://arxiv.org/abs/2310.17790v1
- Date: Thu, 26 Oct 2023 21:37:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-30 15:20:44.037461
- Title: Neural Stress Fields for Reduced-order Elastoplasticity and Fracture
- Title(参考訳): 低次弾塑性と破壊のための神経応力場
- Authors: Zeshun Zong, Xuan Li, Minchen Li, Maurizio M. Chiaramonte, Wojciech
Matusik, Eitan Grinspun, Kevin Carlberg, Chenfanfu Jiang, Peter Yichen Chen
- Abstract要約: 弾塑性と破壊の低次モデリングのためのハイブリッドニューラルネットワークと物理フレームワークを提案する。
鍵となる革新は、暗黙の神経表現を通してキルヒホフ応力場に対する低次元多様体を訓練することである。
最大10万倍の次元削減と最大10倍の時間節約を実証した。
- 参考スコア(独自算出の注目度): 43.538728312264524
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a hybrid neural network and physics framework for reduced-order
modeling of elastoplasticity and fracture. State-of-the-art scientific
computing models like the Material Point Method (MPM) faithfully simulate
large-deformation elastoplasticity and fracture mechanics. However, their long
runtime and large memory consumption render them unsuitable for applications
constrained by computation time and memory usage, e.g., virtual reality. To
overcome these barriers, we propose a reduced-order framework. Our key
innovation is training a low-dimensional manifold for the Kirchhoff stress
field via an implicit neural representation. This low-dimensional neural stress
field (NSF) enables efficient evaluations of stress values and,
correspondingly, internal forces at arbitrary spatial locations. In addition,
we also train neural deformation and affine fields to build low-dimensional
manifolds for the deformation and affine momentum fields. These neural stress,
deformation, and affine fields share the same low-dimensional latent space,
which uniquely embeds the high-dimensional simulation state. After training, we
run new simulations by evolving in this single latent space, which drastically
reduces the computation time and memory consumption. Our general
continuum-mechanics-based reduced-order framework is applicable to any
phenomena governed by the elastodynamics equation. To showcase the versatility
of our framework, we simulate a wide range of material behaviors, including
elastica, sand, metal, non-Newtonian fluids, fracture, contact, and collision.
We demonstrate dimension reduction by up to 100,000X and time savings by up to
10X.
- Abstract(参考訳): 弾塑性と破壊の低次モデリングのためのハイブリッドニューラルネットワークと物理フレームワークを提案する。
物質点法(MPM)のような最先端の科学計算モデルは、大規模な変形弾塑性と破壊力学を忠実にシミュレートする。
しかし、その長いランタイムと大きなメモリ消費は、計算時間やメモリ使用量(例えば仮想現実)に制約されたアプリケーションには適さない。
これらの障壁を克服するため、我々は低次フレームワークを提案する。
我々の重要な革新は、暗黙の神経表現を通してキルヒホフ応力場に対する低次元多様体を訓練することである。
この低次元神経ストレス場(NSF)は、任意の空間位置における応力値とそれに対応する内部力の効率的な評価を可能にする。
さらに,神経変形とアフィン場を訓練し,変形とアフィン運動量場のための低次元多様体を構築する。
これらの神経応力、変形、アフィン場は同じ低次元の潜在空間を共有し、高次元のシミュレーション状態が一意に埋め込まれている。
トレーニング後、この単一の潜伏空間で進化して新しいシミュレーションを実行し、計算時間とメモリ消費を大幅に削減する。
我々の一般的な連続力学に基づく還元次数フレームワークは、エラストダイナミックス方程式によって支配されるあらゆる現象に適用できる。
フレームワークの汎用性を示すために,弾性,砂,金属,非ニュートン流体,破壊,接触,衝突などの幅広い物質挙動をシミュレートした。
我々は最大10万倍の次元縮小と最大10倍の時間節約を示す。
関連論文リスト
- NeuralClothSim: Neural Deformation Fields Meet the Kirchhoff-Love Thin
Shell Theory [75.21240705566692]
既存の布シミュレータは、異なる種類の境界条件に従う現実的な布の変形を生成する。
ニューラルネットワークの重みに表面の進化をエンコードした薄い殻を用いた新しい布シミュレーション手法を提案する。
メモリ効率と微分可能な解法は、動的曲面の新しい連続座標に基づく表現で動作する。
論文 参考訳(メタデータ) (2023-08-24T17:59:54Z) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳(メタデータ) (2023-02-20T19:36:52Z) - Real-time simulation of viscoelastic tissue behavior with physics-guided
deep learning [0.8250374560598492]
軟部組織の変位場を粘弾性特性で予測する深層学習法を提案する。
提案手法は従来のCNNモデルよりも精度が高い。
本調査は,仮想現実における深層学習のギャップを埋めるのに役立つものと期待されている。
論文 参考訳(メタデータ) (2023-01-11T18:17:10Z) - Exploring Physical Latent Spaces for High-Resolution Flow Restoration [22.924868896246334]
偏微分方程式(PDE)を用いた物理シミュレーションによる深部ニューラルネットワークモデルの訓練について検討する。
従来の研究とは対照的に、シミュレーション空間の自由度をニューラルネットワークが使用するツールとして純粋に扱う。
論文 参考訳(メタデータ) (2022-11-21T09:41:18Z) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳(メタデータ) (2022-10-13T10:00:30Z) - NN-EUCLID: deep-learning hyperelasticity without stress data [0.0]
本稿では,物理一貫性のあるディープニューラルネットワークを用いた超弾性法則の教師なし学習手法を提案する。
応力-ひずみを仮定する教師付き学習とは対照的に,本手法は実測可能な全弾性場変位と大域的力可用性データのみを用いる。
論文 参考訳(メタデータ) (2022-05-04T13:54:54Z) - Physics Informed RNN-DCT Networks for Time-Dependent Partial
Differential Equations [62.81701992551728]
時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。
我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。
ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
論文 参考訳(メタデータ) (2022-02-24T20:46:52Z) - Scalable Differentiable Physics for Learning and Control [99.4302215142673]
微分物理学は、物理的対象や環境を含む問題を学習し、制御するための強力なアプローチである。
我々は、多数のオブジェクトとその相互作用をサポートすることができる微分可能物理学のためのスケーラブルなフレームワークを開発する。
論文 参考訳(メタデータ) (2020-07-04T19:07:51Z)
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。