論文の概要: Simulation-Free Determination of Microstructure Representative Volume Element Size via Fisher Scores
- arxiv url: http://arxiv.org/abs/2404.15207v1
- Date: Sun, 7 Apr 2024 23:03:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-28 11:06:36.868226
- Title: Simulation-Free Determination of Microstructure Representative Volume Element Size via Fisher Scores
- Title（参考訳）: フィッシャースコアによる組織代表体積径のシミュレーションフリー決定
- Authors: Wei Liu, Satyajit Mojumder, Wing Kam Liu, Wei Chen, Daniel W. Apley,
- Abstract要約: 代表体積要素(英: representative volume element、RVE)は、マイクロ構造全体の有効特性をシミュレートできる、合理的に小さな単位である。
既存の手法では, 試料のFEシミュレーション特性が収束する時間に基づいて, RVEサイズを選択する。
マイクログラフに基づいてRVEサイズを決定するシミュレーションフリーの代替案を提案する。
- 参考スコア（独自算出の注目度）: 8.021520116639218
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A representative volume element (RVE) is a reasonably small unit of microstructure that can be simulated to obtain the same effective properties as the entire microstructure sample. Finite element (FE) simulation of RVEs, as opposed to much larger samples, saves computational expense, especially in multiscale modeling. Therefore, it is desirable to have a framework that determines RVE size prior to FE simulations. Existing methods select the RVE size based on when the FE-simulated properties of samples of increasing size converge with insignificant statistical variations, with the drawback that many samples must be simulated. We propose a simulation-free alternative that determines RVE size based only on a micrograph. The approach utilizes a machine learning model trained to implicitly characterize the stochastic nature of the input micrograph. The underlying rationale is to view RVE size as the smallest moving window size for which the stochastic nature of the microstructure within the window is stationary as the window moves across a large micrograph. For this purpose, we adapt a recently developed Fisher score-based framework for microstructure nonstationarity monitoring. Because the resulting RVE size is based solely on the micrograph and does not involve any FE simulation of specific properties, it constitutes an RVE for any property of interest that solely depends on the microstructure characteristics. Through numerical experiments of simple and complex microstructures, we validate our approach and show that our selected RVE sizes are consistent with when the chosen FE-simulated properties converge.
- Abstract（参考訳）: 代表体積要素(英: representative volume element、RVE)は、マイクロ構造全体の有効特性をシミュレートできる、合理的に小さな単位である。
RVEの有限要素(FE)シミュレーションは、大規模なサンプルとは対照的に、特にマルチスケールモデリングにおいて計算コストを削減している。
したがって、FEシミュレーションに先立ってRVEのサイズを決定するフレームワークを持つことが望ましい。
既存の手法では、サイズが大きくなるサンプルのFEシミュレーション特性が、多くのサンプルをシミュレートしなければならないという欠点とともに、重要な統計的バリエーションと収束するタイミングに基づいて、RVEサイズを選択する。
マイクログラフのみに基づいてRVEサイズを決定するシミュレーションフリーの代替案を提案する。
このアプローチは、入力マイクログラフの確率的性質を暗黙的に特徴づけるように訓練された機械学習モデルを利用する。
基礎となる根拠は、RVEサイズを、窓内のミクロ構造の確率的性質が、大きなマイクログラフを横切ると静止している最小の移動窓サイズとみなすことである。
この目的のために、我々は最近開発されたFisherスコアに基づくマイクロ構造非定常モニタリングフレームワークを適用した。
結果のRVEサイズはマイクログラフのみに基づいており、特定の特性のFEシミュレーションを含まないため、微細構造特性にのみ依存する興味のある特性に対してRVEを構成する。
単純かつ複雑なミクロ構造の数値実験を通じて、我々のアプローチを検証し、選択されたRVEサイズが、選択されたFEシミュレーション特性が収束するときに一致していることを示す。
関連論文リスト
- Material Microstructure Design Using VAE-Regression with Multimodal
Prior [39.47342980650674]
本稿では,フォワードおよび逆構造-プロパティ結合を構築するための変分オートエンコーダに基づくモデルを提案する。
我々のモデルは最先端のフォワードオンリーモデルと同じくらい正確であることを示す。
論文 参考訳（メタデータ） (2024-02-27T11:27:32Z) - A Microstructure-based Graph Neural Network for Accelerating Multiscale
Simulations [0.0]
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。
論文 参考訳（メタデータ） (2024-02-20T15:54:24Z) - MatSAM: Efficient Extraction of Microstructures of Materials via Visual
Large Model [11.130574172301365]
Segment Anything Model (SAM)は、強力な深い特徴表現とゼロショットの一般化機能を備えた大きなビジュアルモデルである。
本稿では,SAMに基づく汎用的で効率的なマイクロ構造抽出法であるMatSAMを提案する。
簡単なが効果的な点ベースのプロンプト生成戦略が設計され、ミクロ構造の分布と形状に基づいている。
論文 参考訳（メタデータ） (2024-01-11T03:18:18Z) - Self-Supervised Dataset Distillation for Transfer Learning [77.4714995131992]
ラベルなしデータセットを、効率的な自己教師付き学習(SSL)のための小さな合成サンプル群に蒸留する新しい問題を提案する。
両レベル最適化におけるSSL目標に対する合成サンプルの勾配は、データ拡張やマスキングから生じるランダム性から、テキストバイアスを受けていることを最初に証明する。
転送学習を含む様々な応用における本手法の有効性を実証的に検証する。
論文 参考訳（メタデータ） (2023-10-10T10:48:52Z) - One-Dimensional Deep Image Prior for Curve Fitting of S-Parameters from
Electromagnetic Solvers [57.441926088870325]
Deep Image Prior(ディープ・イメージ・プライオリ、ディープ・イメージ・プライオリ、DIP)は、ランダムなd畳み込みニューラルネットワークの重みを最適化し、ノイズや過度な測定値からの信号に適合させる技術である。
本稿では,Vector Fitting (VF) の実装に対して,ほぼすべてのテスト例において優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-06T20:28:37Z) - Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。
特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
論文 参考訳（メタデータ） (2023-04-04T17:54:32Z) - Simplex Random Features [53.97976744884616]
ソフトマックスおよびガウスカーネルの非バイアス近似のための新しいランダム特徴(RF)機構であるSimplex Random Features (SimRFs)を提案する。
我々は,これらのカーネルの非バイアス推定値に対して,SimRFが最小平均二乗誤差(MSE)を提供することを示す。
ポイントワイドカーネル推定,非パラメトリック分類,スケーラブルトランスフォーマーなどの設定において,SimRFによる一貫したゲインを示す。
論文 参考訳（メタデータ） (2023-01-31T18:53:39Z) - Deep learning for size-agnostic inverse design of random-network 3D
printed mechanical metamaterials [11.097689467173666]
メカニカルメタマテリアルの実践的応用は、しばしば、与えられた性質の集合を生じさせる(複数の)マイクロアーキテクチャを見つけることが目的である逆問題の解決にかかわる。
本稿では,2つの深層学習モデル (DLM) と条件付き変分オートエンコーダ (CVAE) に基づく深部生成モデル (DGM) と直接有限要素シミュレーション (FE) の4つの分離モデルを組み合わせた「深部DRAM」というモジュラー手法を提案する。
論文 参考訳（メタデータ） (2022-12-22T21:32:02Z) - 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) - Learning from Small Samples: Transformation-Invariant SVMs with
Composition and Locality at Multiple Scales [11.210266084524998]
本稿では、畳み込みニューラルネットワーク(CNN)を成功させた、サポートベクターマシン(SVM)に組み込む方法を示す。
論文 参考訳（メタデータ） (2021-09-27T04:02:43Z) - MOGAN: Morphologic-structure-aware Generative Learning from a Single
Image [59.59698650663925]
近年,1つの画像のみに基づく生成モデルによる完全学習が提案されている。
多様な外観のランダムなサンプルを生成するMOGANというMOrphologic-structure-aware Generative Adversarial Networkを紹介します。
合理的な構造の維持や外観の変化など、内部機能に重点を置いています。
論文 参考訳（メタデータ） (2021-03-04T12:45:23Z)
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。