論文の概要: A spatiotemporal deep learning framework for prediction of crack dynamics in heterogeneous solids: efficient mapping of concrete microstructures to its fracture properties
- arxiv url: http://arxiv.org/abs/2407.15665v2
- Date: Wed, 24 Jul 2024 07:51:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-25 18:02:43.550936
- Title: A spatiotemporal deep learning framework for prediction of crack dynamics in heterogeneous solids: efficient mapping of concrete microstructures to its fracture properties
- Title（参考訳）: 不均質固体におけるひび割れの動的予測のための時空間深層学習フレームワーク:コンクリートの組織と破壊特性の効率的なマッピング
- Authors: Rasoul Najafi Koopas, Shahed Rezaei, Natalie Rauter, Richard Ostwald, Rolf Lammering,
- Abstract要約: 深層学習フレームワークは, コンクリートメソ構造中のフラクチャーの2次元フルフィールド予測を行うことができる。
メソ構造の平均応力-ひずみ曲線を予測できる畳み込みニューラルネットワークを開発した。
UNetモデリングフレームワークは、スキップ接続を持つエンコーダ-デコーダセクションで構成され、ディープラーニングサロゲートモデルとして使用される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: A spatiotemporal deep learning framework is proposed that is capable of 2D full-field prediction of fracture in concrete mesostructures. This framework not only predicts fractures but also captures the entire history of the fracture process, from the crack initiation in the interfacial transition zone to the subsequent propagation of the cracks in the mortar matrix. In addition, a convolutional neural network is developed which can predict the averaged stress-strain curve of the mesostructures. The UNet modeling framework, which comprises an encoder-decoder section with skip connections, is used as the deep learning surrogate model. Training and test data are generated from high-fidelity fracture simulations of randomly generated concrete mesostructures. These mesostructures include geometric variabilities such as different aggregate particle geometrical features, spatial distribution, and the total volume fraction of aggregates. The fracture simulations are carried out in Abaqus, utilizing the cohesive phase-field fracture modeling technique as the fracture modeling approach. In this work, to reduce the number of training datasets, the spatial distribution of three sets of material properties for three-phase concrete mesostructures, along with the spatial phase-field damage index, are fed to the UNet to predict the corresponding stress and spatial damage index at the subsequent step. It is shown that after the training process using this methodology, the UNet model is capable of accurately predicting damage on the unseen test dataset by using 470 datasets. Moreover, another novel aspect of this work is the conversion of irregular finite element data into regular grids using a developed pipeline. This approach allows for the implementation of less complex UNet architecture and facilitates the integration of phase-field fracture equations into surrogate models for future developments.
- Abstract（参考訳）: コンクリート構造物の破壊の2次元フルフィールド予測が可能な時空間深層学習フレームワークを提案する。
この枠組みは骨折を予測できるだけでなく、界面遷移帯の亀裂発生からモルタルマトリックスの亀裂の伝播まで、骨折過程の全履歴を捉えている。
さらに,メソ構造の平均応力-ひずみ曲線を予測できる畳み込みニューラルネットワークを開発した。
UNetモデリングフレームワークは、スキップ接続を持つエンコーダ-デコーダセクションで構成され、ディープラーニングサロゲートモデルとして使用される。
ランダムに生成されたコンクリートメソ構造体の高忠実破壊シミュレーションから, トレーニングデータと試験データを生成する。
これらのメソ構造は、異なる凝集粒子の幾何学的特徴、空間分布、集合の総体積分数などの幾何学的変動を含む。
Abaqusでは, フラクチャーモデリング手法として, 凝集相場破壊モデリング技術を用いて, フラクチャーシミュレーションを行った。
本研究では,3相コンクリートの中相組織における3つの材料特性の空間分布と空間的位相場損傷指数をUNetに供給し,次のステップで対応する応力および空間損傷指数を予測する。
この手法を用いたトレーニングプロセスの後に、UNetモデルは、470のデータセットを使用して、目に見えないテストデータセットの損傷を正確に予測できることが示されている。
さらに、この研究の別の新しい側面は、不規則有限要素データの正規格子への変換である。
このアプローチは、より複雑なUNetアーキテクチャの実装を可能にし、相場破壊方程式を将来の発展のための代理モデルに統合することを容易にする。
関連論文リスト
- Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。
本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-02T04:01:38Z) - SeisFusion: Constrained Diffusion Model with Input Guidance for 3D Seismic Data Interpolation and Reconstruction [26.02191880837226]
本研究では3次元地震データに適した新しい拡散モデル再構成フレームワークを提案する。
拡散モデルに3次元ニューラルネットワークアーキテクチャを導入し、2次元拡散モデルを3次元空間に拡張することに成功した。
本手法は、フィールドデータセットと合成データセットの両方に適用した場合、より優れた再構成精度を示す。
論文 参考訳（メタデータ） (2024-03-18T05:10:13Z) - Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳（メタデータ） (2024-02-19T02:08:09Z) - Bayesian Semi-structured Subspace Inference [0.0]
半構造回帰モデルは、解釈可能な構造と複雑な非構造的特徴効果の合同モデリングを可能にする。
部分空間推論を用いた半構造化回帰モデルに対するベイズ近似を提案する。
提案手法は,シミュレーションおよび実世界のデータセット間での競合予測性能を示す。
論文 参考訳（メタデータ） (2024-01-23T18:15:58Z) - Crack-Net: Prediction of Crack Propagation in Composites [8.284066773981262]
クラックネット(Crack-Net)は, ひび割れ進展と応力応答の関係を組み込んで, 複合材料における破壊過程を予測するフレームワークである。
クラックネットは, 所定の複合設計におけるひび割れ成長パターンと応力-ひずみ曲線の長期的変化を正確に予測する優れた能力を示す。
論文 参考訳（メタデータ） (2023-09-24T12:57:35Z) - Designing a Hybrid Neural System to Learn Real-world Crack Segmentation
from Fractal-based Simulation [7.0156884721768575]
フラクタルとそれに対応するフルアノテートクラックデータセットに基づく高忠実度クラックグラフィーシミュレータを提案する。
次に、シミュレーションから一般化可能な表現を学習するシステムで後者を補完する。
最後に、シミュレーションを実際のギャップにブリッジすることで、どのように異なる設計選択が共生的であるかを実証的に強調し、最終的に、我々の導入したシステムが現実世界のひび割れのセグメンテーションを効果的に処理できることを実証する。
論文 参考訳（メタデータ） (2023-09-18T10:13:03Z) - Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。
近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
論文 参考訳（メタデータ） (2023-06-20T14:21:58Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - 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) - A convolutional neural network for prestack fracture detection [10.257307653269455]
フラクチャー検出は貯水池のキャラクタリゼーションの基本的な課題である。
本稿では, プリスタック破壊検出を行う畳み込みニューラルネットワークを設計した。
実用的調査の応用は,提案したCNNモデルの有効性を検証した。
論文 参考訳（メタデータ） (2021-07-03T17:05:29Z) - Supporting Optimal Phase Space Reconstructions Using Neural Network
Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。
私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文 参考訳（メタデータ） (2020-06-19T21:04:47Z)
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。