論文の概要: Accounting for plasticity: An extension of inelastic Constitutive Artificial Neural Networks
- arxiv url: http://arxiv.org/abs/2407.19326v2
- Date: Sat, 07 Jun 2025 06:08:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-11 01:40:32.478233
- 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: 我々は,非弾性人工ニューラルネットワーク(iCANN)の既存の枠組みを,可塑性を取り入れて拡張し,より複雑な物質挙動をモデル化する適用性を高める。
我々のフレームワークは、線形および非線形キネマティック硬化挙動の両方をキャプチャする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we extend the existing framework of inelastic constitutive artificial neural networks (iCANNs) by incorporating plasticity to increase their applicability to model more complex material behavior. The proposed approach ensures objectivity, material symmetry, and thermodynamic consistency, providing a robust basis for automatic model discovery of constitutive equations at finite strains. These are predicted by discovering formulations for the Helmholtz free energy and plastic potentials for the yield function and evolution equations in terms of feed-forward networks. Our framework captures both linear and nonlinear kinematic hardening behavior. Investigation of our model's prediction showed that the extended iCANNs successfully predict both linear and nonlinear kinematic hardening behavior based on experimental and artificially generated datasets, showcasing promising capabilities of this framework. Nonetheless, challenges remain in discovering more complex yield criteria with tension-compression asymmetry and addressing deviations in experimental data at larger strains. Despite these limitations, the proposed framework provides a promising basis for incorporating plasticity into iCANNs, offering a platform for advancing in the field of automated model discovery.
- Abstract（参考訳）: 本研究では,非弾性構成型ニューラルネットワーク(iCANN)の可塑性を取り入れ,より複雑な物質挙動をモデル化するための適用性を高めることにより,既存の枠組みを拡張した。
提案手法は, 客観性, 物質対称性, 熱力学的整合性を保証し, 有限ひずみにおける構成方程式の自動モデル発見の基盤となる。
これらは、ヘルムホルツ自由エネルギーの定式化と、フィードフォワードネットワークの観点からの収率関数と進化方程式の塑性ポテンシャルの発見によって予測される。
我々のフレームワークは、線形および非線形キネマティック硬化挙動の両方をキャプチャする。
実験および人工的なデータセットに基づいて,iCANNの拡張により線形および非線形のキネマティック硬化挙動の予測に成功し,本フレームワークの有望な機能を示すことを示した。
それでも、緊張圧縮非対称性を持つより複雑な収率基準を発見し、より大きなひずみでの実験データにおける偏差に対処する上での課題は残る。
これらの制限にもかかわらず、提案されたフレームワークは、可塑性をiCANNに組み込むための有望な基盤を提供し、自動モデル発見の分野で前進するプラットフォームを提供する。
関連論文リスト
- A generalized dual potential for inelastic Constitutive Artificial Neural Networks: A JAX implementation at finite strains [0.0]
非弾性構成型ニューラルネットワーク(iCANN)のための一般化二重ポテンシャル(擬似ポテンシャル)の設計手法を提案する。
このポテンシャルは、大きな変形に対する熱力学的一貫性を本質的に満足する。
その結果,新しいアーキテクチャは解釈可能なモデルやパラメータを頑健に発見し,非弾性の度合いを自律的に明らかにした。
論文 参考訳（メタデータ） (2025-02-19T20:16:45Z) - 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。