論文の概要: Hybrid data-driven and physics-informed regularized learning of cyclic
plasticity with Neural Networks
- arxiv url: http://arxiv.org/abs/2403.01776v1
- Date: Mon, 4 Mar 2024 07:09:54 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-06 19:44:09.102204
- Title: Hybrid data-driven and physics-informed regularized learning of cyclic
plasticity with Neural Networks
- Title(参考訳): ニューラルネットワークを用いた周期的塑性のハイブリッドデータ駆動および物理インフォームド正規化学習
- Authors: Stefan Hildebrand and Sandra Klinge
- Abstract要約: 提案したモデルアーキテクチャは、既存の文献のソリューションに比べてシンプルで効率的である。
この手法の検証はアームストロング・フレデリックのキネマティック・ハードニング・モデルを用いて得られたサロゲートデータを用いて行う。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: An extendable, efficient and explainable Machine Learning approach is
proposed to represent cyclic plasticity and replace conventional material
models based on the Radial Return Mapping algorithm. High accuracy and
stability by means of a limited amount of training data is achieved by
implementing physics-informed regularizations and the back stress information.
The off-loading of the Neural Network is applied to the maximal extent. The
proposed model architecture is simpler and more efficient compared to existing
solutions from the literature, while representing a complete three-dimensional
material model. The validation of the approach is carried out by means of
surrogate data obtained with the Armstrong-Frederick kinematic hardening model.
The Mean Squared Error is assumed as the loss function which stipulates several
restrictions: deviatoric character of internal variables, compliance with the
flow rule, the differentiation of elastic and plastic steps and the
associativity of the flow rule. The latter, however, has a minor impact on the
accuracy, which implies the generalizability of the model for a broad spectrum
of evolution laws for internal variables. Numerical tests simulating several
load cases are shown in detail and validated for accuracy and stability.
- Abstract(参考訳): 繰り返し可塑性を表現し、ラジアル回帰マッピングアルゴリズムに基づく従来の材料モデルを置き換えるために、拡張可能で効率的で説明可能な機械学習アプローチが提案されている。
物理インフォームド正規化とバックストレス情報を実装することにより、限られた量のトレーニングデータによる高い精度と安定性を実現する。
ニューラルネットワークのオフロードを最大範囲に適用する。
提案したモデルアーキテクチャは, 完全3次元材料モデルを表現する一方で, 文献からの既存ソリューションに比べてシンプルで効率的である。
この手法の検証はアームストロング・フレデリックのキネマティック硬化モデルを用いて得られた代理データを用いて行う。
平均二乗誤差は、内部変数の逸脱特性、フロールールの遵守、弾性および塑性ステップの微分、フロールールの結合性といったいくつかの制約を規定する損失関数として仮定される。
しかし後者は精度に小さな影響を与え、これはモデルが内部変数の幅広い進化法則に対して一般化可能であることを意味する。
いくつかの負荷ケースをシミュレーションした数値実験を詳細に示し、精度と安定性を検証した。
関連論文リスト
- Training-Free Constrained Generation With Stable Diffusion Models [45.138721047543214]
本稿では,安定拡散モデルと制約付き最適化フレームワークを統合する新しい手法を提案する。
本研究では, 物質科学実験を通じて, 精密な形態計測特性の付着を必要とする手法の有効性を実証する。
論文 参考訳(メタデータ) (2025-02-08T16:11:17Z) - No Equations Needed: Learning System Dynamics Without Relying on Closed-Form ODEs [56.78271181959529]
本稿では,従来の2段階モデリングプロセスから離れることで,低次元力学系をモデル化する概念シフトを提案する。
最初に閉形式方程式を発見して解析する代わりに、我々のアプローチ、直接意味モデリングは力学系の意味表現を予測する。
私たちのアプローチは、モデリングパイプラインを単純化するだけでなく、結果のモデルの透明性と柔軟性も向上します。
論文 参考訳(メタデータ) (2025-01-30T18:36:48Z) - Generating Synthetic Net Load Data with Physics-informed Diffusion Model [0.8848340429852071]
条件付き認知ニューラルネットワークは、拡散モデルの遷移核のパラメータを共同で訓練するように設計されている。
総合的な評価指標を用いて、生成された合成ネット負荷データの正確性と多様性を評価する。
論文 参考訳(メタデータ) (2024-06-04T02:50:19Z) - Uncertainty quantification and out-of-distribution detection using
surjective normalizing flows [46.51077762143714]
本稿では,深層ニューラルネットワークモデルにおける分布外データセットの探索的正規化フローを用いた簡単なアプローチを提案する。
本手法は, 流通外データと流通内データとを確実に識別できることを示す。
論文 参考訳(メタデータ) (2023-11-01T09:08:35Z) - 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) - 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) - Learning solution of nonlinear constitutive material models using
physics-informed neural networks: COMM-PINN [0.0]
非線形, 経路依存的な物質挙動の関係を解くために, 物理インフォームドニューラルネットワークを適用した。
この研究の利点の1つは、複雑な物質モデルにおける非線形方程式を解くのに必要な反復ニュートン反復をバイパスすることである。
論文 参考訳(メタデータ) (2023-04-10T19:58:49Z) - Physics-Informed Neural Networks for Material Model Calibration from
Full-Field Displacement Data [0.0]
本研究では,実環境下でのフルフィールド変位と大域力データからモデルのキャリブレーションを行うためのPINNを提案する。
拡張PINNは、実験的な1次元データと合成フルフィールド変位データの両方から材料パラメータを識別できることを実証した。
論文 参考訳(メタデータ) (2022-12-15T11:01:32Z) - Thermodynamically Consistent Machine-Learned Internal State Variable
Approach for Data-Driven Modeling of Path-Dependent Materials [0.76146285961466]
ディープニューラルネットワークやリカレントニューラルネットワーク(RNN)などのデータ駆動機械学習モデルが,現実的な代替手段になりつつある。
本研究では,計測可能な材料に基づく経路依存材料に対する,機械学習型ロバスト性駆動型モデリング手法を提案する。
論文 参考訳(メタデータ) (2022-05-01T23:25:08Z) - Equivariant vector field network for many-body system modeling [65.22203086172019]
Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。
シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
論文 参考訳(メタデータ) (2021-10-26T14:26:25Z) - Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。
分散による離散乗法雑音のパラメータによく現れることを示す。
最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
論文 参考訳(メタデータ) (2020-06-11T09:58:01Z)
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。