論文の概要: A Microstructure-based Graph Neural Network for Accelerating Multiscale Simulations

• arxiv url: http://arxiv.org/abs/2402.13101v1
• Date: Tue, 20 Feb 2024 15:54:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-21 14:44:06.583488
• Title: A Microstructure-based Graph Neural Network for Accelerating Multiscale Simulations
• Title（参考訳）: マルチスケールシミュレーション高速化のための構造ベースグラフニューラルネットワーク
• Authors: J. Storm, I. B. C. M. Rocha, F. P. van der Meer
• Abstract要約: 本稿では,この問題のマルチスケール性を維持するための代替的な代理モデル戦略を提案する。 我々は, 顕微鏡材料モデルを維持しながら, グラフニューラルネットワーク(GNN)を用いて, フルフィールドの顕微鏡歪みを予測した。 本研究では,サロゲートが複雑なマクロな応力-ひずみ経路を予測可能であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulating the mechanical response of advanced materials can be done more accurately using concurrent multiscale models than with single-scale simulations. However, the computational costs stand in the way of the practical application of this approach. The costs originate from microscale Finite Element (FE) models that must be solved at every macroscopic integration point. A plethora of surrogate modeling strategies attempt to alleviate this cost by learning to predict macroscopic stresses from macroscopic strains, completely replacing the microscale models. In this work, we introduce an alternative surrogate modeling strategy that allows for keeping the multiscale nature of the problem, allowing it to be used interchangeably with an FE solver for any time step. Our surrogate provides all microscopic quantities, which are then homogenized to obtain macroscopic quantities of interest. We achieve this for an elasto-plastic material by predicting full-field microscopic strains using a graph neural network (GNN) while retaining the microscopic constitutive material model to obtain the stresses. This hybrid data-physics graph-based approach avoids the high dimensionality originating from predicting full-field responses while allowing non-locality to arise. By training the GNN on a variety of meshes, it learns to generalize to unseen meshes, allowing a single model to be used for a range of microstructures. The embedded microscopic constitutive model in the GNN implicitly tracks history-dependent variables and leads to improved accuracy. We demonstrate for several challenging scenarios that the surrogate can predict complex macroscopic stress-strain paths. As the computation time of our method scales favorably with the number of elements in the microstructure compared to the FE method, our method can significantly accelerate FE2 simulations.
• Abstract（参考訳）: 高度な材料の機械的応答のシミュレーションは、シングルスケールシミュレーションよりも並列マルチスケールモデルを用いてより正確に行うことができる。 しかし、計算コストは、このアプローチの実践的な応用の道のりにある。 コストは、すべてのマクロ積分点で解かなければならないマイクロスケール有限要素(fe)モデルに由来する。 多くの代理モデル戦略は、マクロなひずみからマクロ的な応力を予測し、マイクロスケールモデルを完全に置き換えることで、このコストを軽減しようとする。 そこで本研究では,この問題のマルチスケール性を維持しつつ,任意の時間ステップでfeソルバと相互に使用できるようにする,代替のサロゲートモデリング手法を提案する。 我々のサロゲートはすべての微視的な量を提供し、それを均質化して巨視的な量の興味を得る。 本研究は, グラファイトニューラルネットワーク (GNN) を用いたフルフィールド微視的ひずみを予測し, 微視的構成材料モデルを維持し, 応力を得る。 このハイブリッドデータフィジカルグラフベースアプローチは、非局所性の発生を許容しながら、フルフィールド応答の予測から生じる高次元を回避する。 さまざまなメッシュ上でGNNをトレーニングすることで、目に見えないメッシュへの一般化を学び、単一のモデルをさまざまなマイクロ構造に使用できるようになる。 GNNの組み込み顕微鏡構成モデルは、履歴に依存した変数を暗黙的に追跡し、精度を向上させる。 我々は,サーロゲートが複雑なマクロ的応力-ひずみ経路を予測できる,いくつかの難解なシナリオを実証する。 提案手法の計算時間は, FE法と比較してミクロ構造中の元素数と良好にスケールするため, FE2シミュレーションを著しく高速化することができる。

関連論文リスト

• Enhancing Multiscale Simulations with Constitutive Relations-Aware Deep Operator Networks [0.7946947383637114]
  マルチスケール有限要素計算は、マイクロ構造特性をマクロ計算解析に組み込む能力に期待されている。 マイクロスケール物理の代理モデリングにディープ・オペレーター・ネットワークを利用するハイブリッド手法を提案する。
  論文  参考訳（メタデータ） (2024-05-22T15:40:05Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• A micromechanics-based recurrent neural networks model for path-dependent cyclic deformation of short fiber composites [0.0]
  本研究では, 短繊維強化複合材料の経路依存性弾塑性応力応答を予測するために, 繰り返し深部ニューラルネットワークモデルを訓練する。 このモデルは、独立したマイクロメカニカルシミュレーションと比較した場合、計算的に非常に正確な予測を与える。
  論文  参考訳（メタデータ） (2022-09-27T12:14:15Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• Three-dimensional microstructure generation using generative adversarial neural networks in the context of continuum micromechanics [77.34726150561087]
  本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。 軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
  論文  参考訳（メタデータ） (2022-05-31T13:26:51Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• 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)
• Computational modelling and data-driven homogenisation of knitted membranes [0.7530103765625609]
  大規模編み膜の糸面モデリングは実現不可能である。 本研究では,2段階の均質化手法を検討し,この膜をマクロスケール上のKirchhoff-Loveシェル,マイクロスケール上のEuler-Bernoulliロッドとしてモデル化する。 非線形マイクロスケール問題の解法は、大きな変形と接触制約の強制によりかなりの時間を要する。
  論文  参考訳（メタデータ） (2021-07-12T19:51:02Z)
• Exploring the potential of transfer learning for metamodels of heterogeneous material deformation [0.0]
  転送学習は,低忠実度シミュレーションデータとシミュレーションデータの両方を利用することができることを示す。 我々は、大きな変形を受ける異種材料のオープンソースベンチマークデータセットであるMechanical MNISTを拡張した。 これらの低忠実度シミュレーション結果に基づいて学習したメタモデルに蓄積された知識の伝達は、高忠実度シミュレーションの結果を予測するのに使用されるメタモデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-10-28T12:43:46Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)

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。