論文の概要: A finite operator learning technique for mapping the elastic properties of microstructures to their mechanical deformations
- arxiv url: http://arxiv.org/abs/2404.00074v1
- Date: Thu, 28 Mar 2024 19:57:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-04 07:27:29.265538
- Title: A finite operator learning technique for mapping the elastic properties of microstructures to their mechanical deformations
- Title(参考訳): 有限演算子学習によるミクロ組織の弾性特性と機械的変形のマッピング
- Authors: Shahed Rezaei, Shirko Faroughi, Mahdi Asgharzadeh, Ali Harandi, Gottfried Laschet, Stefanie Reese, Markus Apel,
- Abstract要約: 本稿では,機械平衡の解法をパラメトリックに学習する手法を提案する。
マイクロメカニクスを例として、マイクロメカニクスの知識が不可欠である。
演算子学習と有限要素法にインスパイアされた本手法は,他の数値解法からのデータに頼らずに学習できることを実証する。
- 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: To develop faster solvers for governing physical equations in solid mechanics, we introduce a method that parametrically learns the solution to mechanical equilibrium. The introduced method outperforms traditional ones in terms of computational cost while acceptably maintaining accuracy. Moreover, it generalizes and enhances the standard physics-informed neural networks to learn a parametric solution with rather sharp discontinuities. We focus on micromechanics as an example, where the knowledge of the micro-mechanical solution, i.e., deformation and stress fields for a given heterogeneous microstructure, is crucial. The parameter under investigation is the Young modulus distribution within the heterogeneous solid system. Our method, inspired by operator learning and the finite element method, demonstrates the ability to train without relying on data from other numerical solvers. Instead, we leverage ideas from the finite element approach to efficiently set up loss functions algebraically, particularly based on the discretized weak form of the governing equations. Notably, our investigations reveal that physics-based training yields higher accuracy compared to purely data-driven approaches for unseen microstructures. In essence, this method achieves independence from data and enhances accuracy for predictions beyond the training range. The aforementioned observations apply here to heterogeneous elastic microstructures. Comparisons are also made with other well-known operator learning algorithms, such as DeepOnet, to further emphasize the advantages of the newly proposed architecture.
- Abstract(参考訳): 固体力学における物理方程式を高速に制御する解法を開発するために,パラメトリックに機械平衡の解を学習する手法を提案する。
提案手法は計算コストの観点から従来の手法より優れ,精度を良好に維持する。
さらに、標準的な物理インフォームドニューラルネットワークを一般化し、拡張し、かなり鋭い不連続性を持つパラメトリック解を学習する。
本稿では, マイクロメカニクスを例として, マイクロメカニクスに焦点をあてる。そこでは, マイクロメカニクスの知識, すなわち, 与えられた不均一なミクロ組織に対する変形および応力場が不可欠である。
検討中のパラメータは、不均質固体系のヤング率分布である。
演算子学習と有限要素法にインスパイアされた本手法は,他の数値解法からのデータに頼らずに学習できることを実証する。
代わりに、有限要素アプローチのアイデアを活用して、特に支配方程式の離散化弱形式に基づいて、損失関数を代数的に効率的に設定する。
特に、物理学に基づくトレーニングは、純粋なデータ駆動型アプローチよりも精度が高いことが、我々の研究で明らかになった。
本質的に、この方法はデータからの独立性を達成し、トレーニング範囲を超えた予測の精度を高める。
上述の観察は、異種弾性構造に適用される。
DeepOnetのような他のよく知られた演算子学習アルゴリズムとの比較も行われ、新しく提案されたアーキテクチャの利点をさらに強調している。
関連論文リスト
- Integration of physics-informed operator learning and finite element
method for parametric learning of partial differential equations [0.0]
本稿では,偏微分方程式の解法として物理インフォームド・ディープラーニング手法を用いる手法を提案する。
その焦点は、相コントラストが顕著である不均一固体中の定常熱方程式である。
提案手法を標準有限要素法と比較し,正確かつ高速な予測法を示す。
論文 参考訳(メタデータ) (2024-01-04T17:01:54Z) - 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) - Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。
大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
論文 参考訳(メタデータ) (2023-10-09T14:30:06Z) - Rank-Minimizing and Structured Model Inference [7.067529286680843]
この研究は、構造の形にエンコードされた物理的な洞察を持つデータからモデルを推論する手法を導入する。
提案手法は最小ランク解の方程式を数値的に解き、低次モデルを得る。
数値実験により、構造保存とランクの組み合わせは、同等の予測品質のモデルよりも桁違いに低い自由度を持つ正確なモデルをもたらすことが示された。
論文 参考訳(メタデータ) (2023-02-19T09:46:35Z) - On Robust Numerical Solver for ODE via Self-Attention Mechanism [82.95493796476767]
我々は,内在性雑音障害を緩和し,AIによって強化された数値解法を,データサイズを小さくする訓練について検討する。
まず,教師付き学習における雑音を制御するための自己認識機構の能力を解析し,さらに微分方程式の数値解に付加的な自己認識機構を導入し,簡便かつ有効な数値解法であるAttrを提案する。
論文 参考訳(メタデータ) (2023-02-05T01:39:21Z) - MIRACLE: Causally-Aware Imputation via Learning Missing Data Mechanisms [82.90843777097606]
欠落データに対する因果認識型計算アルゴリズム(MIRACLE)を提案する。
MIRACLEは、欠落発生機構を同時にモデル化することにより、ベースラインの計算を反復的に洗練する。
我々は、MIRACLEが一貫してイミューテーションを改善することができることを示すために、合成および様々な公開データセットに関する広範な実験を行う。
論文 参考訳(メタデータ) (2021-11-04T22:38:18Z) - 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) - Physics informed neural networks for continuum micromechanics [68.8204255655161]
近年,応用数学や工学における多種多様な問題に対して,物理情報ニューラルネットワークの適用が成功している。
グローバルな近似のため、物理情報ニューラルネットワークは、最適化によって局所的な効果と強い非線形解を表示するのに困難である。
実世界の$mu$CT-Scansから得られた不均一構造における非線形応力, 変位, エネルギー場を, 正確に解くことができる。
論文 参考訳(メタデータ) (2021-10-14T14:05:19Z) - Wavelet Scattering Networks for Atomistic Systems with Extrapolation of
Material Properties [7.555136209115944]
物質科学における機械学習の夢は、モデルが原子系の基礎となる物理学を学ぶことである。
本研究では、トレーニングセットに含まれていないプロパティに対する$textLi_alphatextSi$ Energy predictorの一般化性をテストする。
論文 参考訳(メタデータ) (2020-06-01T20:36:17Z) - Learning Constrained Dynamics with Gauss Principle adhering Gaussian
Processes [7.643999306446022]
本稿では,解析力学からの洞察とガウス過程の回帰を組み合わせ,モデルのデータ効率と制約整合性を改善することを提案する。
本モデルにより,制約付きシステムのデータから制約なしシステムの加速度を推定できる。
論文 参考訳(メタデータ) (2020-04-23T15:26:51Z) - Geometric deep learning for computational mechanics Part I: Anisotropic
Hyperelasticity [1.8606313462183062]
本稿では, 幾何学的深層学習を用いた最初の試みであり, ソボレフトレーニングには非ユークリッドマイクロ構造データが含まれており, 異方性超構造体機械学習モデルを有限変形範囲でトレーニングすることができる。
論文 参考訳(メタデータ) (2020-01-08T02:07:39Z)
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。