論文の概要: Accounting for plasticity: An extension of inelastic Constitutive Artificial Neural Networks
- arxiv url: http://arxiv.org/abs/2407.19326v1
- Date: Sat, 27 Jul 2024 19:19:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-30 18:41:57.658259
- Title: Accounting for plasticity: An extension of inelastic Constitutive Artificial Neural Networks
- Title（参考訳）: 塑性を考慮した非弾性構成型ニューラルネットワークの拡張
- Authors: Birte Boes, Jaan-Willem Simon, Hagen Holthusen,
- Abstract要約: 塑性の非弾性現象に対するiCANNの拡張と応用について述べる。
我々は4つのフィードフォワードネットワークとリカレントニューラルネットワークを併用して学習し、第2のPiola-Kirchhoffストレス測定をトレーニングに用いた。
負荷ケースの増加に対して,極めて正確な合意が得られながら,1つの負荷ケースでのトレーニングにすでに満足な結果が得られた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The class of Constitutive Artificial Neural Networks (CANNs) represents a new approach of neural networks in the field of constitutive modeling. So far, CANNs have proven to be a powerful tool in predicting elastic and inelastic material behavior. However, the specification of inelastic constitutive artificial neural networks (iCANNs) to capture plasticity remains to be discussed. We present the extension and application of an iCANN to the inelastic phenomena of plasticity. This includes the prediction of a formulation for the elastic and plastic Helmholtz free energies, the inelastic flow rule, and the yield condition that defines the onset of plasticity. Thus, we learn four feed-forward networks in combination with a recurrent neural network and use the second Piola-Kirchhoff stress measure for training. The presented formulation captures both, associative and non-associative plasticity. In addition, the formulation includes kinematic hardening effects by introducing the plastic Helmholtz free energy. This opens the range of application to a wider class of materials. The capabilities of the presented framework are demonstrated by training on artificially generated data of models for perfect plasticity of von-Mises type, tension-compression asymmetry, and kinematic hardening. We observe already satisfactory results for training on one load case only while extremely precise agreement is found for an increase in load cases. In addition, the performance of the specified iCANN was validated using experimental data of X10CrMoVNb9-1 steel. Training has been performed on both, uniaxial tension and cyclic loading, separately and the predicted results are then validated on the opposing set. The results underline that the autonomously discovered material model is capable to describe and predict the underlying experimental data.
- Abstract（参考訳）: 構成型ニューラルネットワーク(CANN)のクラスは、構成型モデリングの分野におけるニューラルネットワークの新しいアプローチを表している。
これまでのところ、CANNは弾性および非弾性物質の挙動を予測する強力なツールであることが証明されている。
しかし、可塑性を捉えるための非弾性構成型人工ニューラルネットワーク(iCANN)の仕様については議論が続いている。
塑性の非弾性現象に対するiCANNの拡張と応用について述べる。
これには、弾性および塑性ヘルムホルツ自由エネルギーの定式化、非弾性流則、可塑性の開始を定義する収率条件が含まれる。
そこで我々は,4つのフィードフォワードネットワークとリカレントニューラルネットワークを併用して学習し,第2のPiola-Kirchhoffストレス測定をトレーニングに用いた。
提示された定式化は、連想的および非連想的可塑性の両方をキャプチャする。
さらに、プラスチックのヘルムホルツ自由エネルギーを導入することにより、キネマティック硬化効果を含む。
これにより、幅広い種類の材料に応用範囲を広げる。
提案するフレームワークの能力は,von-Mises型完全可塑性モデル,テンション圧縮非対称性,キネマティック硬化モデルを用いて,人工的に生成したデータを用いて実証される。
負荷ケースの増加に対して,極めて正確な合意が得られながら,1つの負荷ケースでのトレーニングにすでに満足な結果が得られた。
さらに, X10CrMoVNb9-1鋼の試験データを用いて, 特定iCANNの性能を検証した。
一軸張力と循環荷重の両方でトレーニングが行われ、予測結果が対向集合上で検証される。
この結果は、自律的に発見された物質モデルが基礎となる実験データを記述し、予測できることを示している。
関連論文リスト
- Automated Model Discovery for Tensional Homeostasis: Constitutive Machine Learning in Growth and Remodeling [0.0]
キネマティック成長とホメオスタティック表面を組み込むことで,非弾性構成型ニューラルネットワーク(iCANN)を拡張した。
実験により得られた組織等価データから材料点レベルで学習するネットワークの能力を評価する。
論文 参考訳（メタデータ） (2024-10-17T15:12:55Z) - Theory and implementation of inelastic Constitutive Artificial Neural
Networks [0.0]
構成型ニューラルネットワーク(CANN)を非弾性材料(iCANN)に拡張する
我々は、iCANNが人工的に生成されたデータのモデルを自動的に発見できることを実証した。
我々のビジョンは、iCANNがデータの中に隠された様々な非弾性現象を発見し、それらの相互作用を理解する新しい方法を明らかにすることである。
論文 参考訳（メタデータ） (2023-11-10T20:13:29Z) - 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) - PLASTIC: Improving Input and Label Plasticity for Sample Efficient
Reinforcement Learning [54.409634256153154]
強化学習(RL)では, サンプル効率の向上が重要である。
原則として、非政治的なRLアルゴリズムは、環境相互作用毎に複数の更新を可能にすることで、サンプル効率を向上させることができる。
本研究は, この現象の原因を, 塑性を2つの側面に分けて検討した。
論文 参考訳（メタデータ） (2023-06-19T06:14:51Z) - Viscoelastic Constitutive Artificial Neural Networks (vCANNs) $-$ a
framework for data-driven anisotropic nonlinear finite viscoelasticity [0.0]
粘弾性構成型ニューラルネットワーク(vCANN)を紹介する。
vCANNは、有限ひずみにおける異方性非線形粘性のための新しい物理インフォームド機械学習フレームワークである。
我々は,vCANNが人間の指導なしに,これらの素材の挙動を正確に,効率的に把握できることを実証した。
論文 参考訳（メタデータ） (2023-03-21T19:45:59Z) - Neural Abstractions [72.42530499990028]
本稿では,ニューラルネットワークを用いた非線形力学モデルの安全性検証手法を提案する。
提案手法は,既存のベンチマーク非線形モデルにおいて,成熟度の高いFlow*と同等に動作することを示す。
論文 参考訳（メタデータ） (2023-01-27T12:38:09Z) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳（メタデータ） (2022-10-13T10:00:30Z) - A physics-informed deep neural network for surrogate modeling in
classical elasto-plasticity [0.0]
本稿では,古典的弾塑性関係を効率的に近似するディープニューラルネットワークアーキテクチャを提案する。
このネットワークは、弾性および塑性部分へのひずみの付加的な分解を含む古典的エラスト塑性の重要な物理的な側面に富んでいる。
ニューラルネットワークのアーキテクチャにこれらの物理を組み込むことで、トレーニングデータの少ないネットワークのより効率的なトレーニングが可能になることを示す。
論文 参考訳（メタデータ） (2022-04-26T05:58:13Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳（メタデータ） (2022-02-21T18:59:03Z) - Physics-informed neural networks for modeling rate- and
temperature-dependent plasticity [3.1861308132183384]
本研究は, 弾性粘塑性固体の変形磁場のひずみ速度と温度依存性をモデル化する物理インフォームニューラルネットワークに基づく枠組みを提案する。
論文 参考訳（メタデータ） (2022-01-20T18:49:27Z) - Parsimonious neural networks learn interpretable physical laws [77.34726150561087]
本稿では、ニューラルネットワークと進化的最適化を組み合わせたパシモニクスニューラルネットワーク(PNN)を提案し、精度とパシモニクスのバランスをとるモデルを求める。
アプローチのパワーと汎用性は、古典力学のモデルを開発し、基本特性から材料の融解温度を予測することによって実証される。
論文 参考訳（メタデータ） (2020-05-08T16:15:47Z)
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。