論文の概要: Learning Physics-Consistent Material Behavior Without Prior Knowledge
- arxiv url: http://arxiv.org/abs/2407.20273v1
- Date: Thu, 25 Jul 2024 08:24:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-31 19:18:14.295974
- Title: Learning Physics-Consistent Material Behavior Without Prior Knowledge
- Title（参考訳）: 事前知識のない物理一貫性物質行動の学習
- Authors: Zhichao Han, Mohit Pundir, Olga Fink, David S. Kammer,
- Abstract要約: 我々は,畳み込み入力ニューラルネットワーク(ICNN)を代理モデルとして使用することにより,制約を克服するuLEDと呼ばれる機械学習アプローチを導入する。
我々は、ノイズのかなりのレベルに対して頑健であり、データ解像度の増大とともに基礎的な真実に収束することを実証した。
- 参考スコア（独自算出の注目度）: 6.691537914484337
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurately modeling the mechanical behavior of materials is crucial for numerous engineering applications. The quality of these models depends directly on the accuracy of the constitutive law that defines the stress-strain relation. Discovering these constitutive material laws remains a significant challenge, in particular when only material deformation data is available. To address this challenge, unsupervised machine learning methods have been proposed. However, existing approaches have several limitations: they either fail to ensure that the learned constitutive relations are consistent with physical principles, or they rely on a predefined library of constitutive relations or manually crafted input features. These dependencies require significant expertise and specialized domain knowledge. Here, we introduce a machine learning approach called uLED, which overcomes the limitations by using the input convex neural network (ICNN) as the surrogate constitutive model. We improve the optimization strategy for training ICNN, allowing it to be trained end-to-end using direct strain invariants as input across various materials. Furthermore, we utilize the nodal force equilibrium at the internal domain as the training objective, which enables us to learn the constitutive relation solely from temporal displacement recordings. We validate the effectiveness of the proposed method on a diverse range of material laws. We demonstrate that it is robust to a significant level of noise and that it converges to the ground truth with increasing data resolution. We also show that the model can be effectively trained using a displacement field from a subdomain of the test specimen and that the learned constitutive relation from one material sample is transferable to other samples with different geometries. The developed methodology provides an effective tool for discovering constitutive relations.
- Abstract（参考訳）: 材料の機械的挙動を正確にモデル化することは、多くの工学的応用に不可欠である。
これらのモデルの品質は、応力-ひずみ関係を定義する構成法則の精度に直接依存する。
これらの構成的物質法則の発見は、特に材料変形データのみが利用可能である場合、重要な課題である。
この課題に対処するため、教師なし機械学習手法が提案されている。
しかし、既存のアプローチにはいくつかの制限がある: 学習された構成的関係が物理的原理と整合していることを保証するのに失敗するか、事前に定義された構成的関係のライブラリや手作業による入力機能に依存する。
これらの依存関係には、重要な専門知識と専門的なドメイン知識が必要です。
本稿では,入力凸ニューラルネットワーク(ICNN)をサロゲート構成モデルとして使用することにより,制約を克服する,uLEDと呼ばれる機械学習手法を提案する。
ICNNのトレーニングのための最適化戦略を改良し、様々な材料にまたがる入力として直接ひずみ不変量を用いてエンドツーエンドのトレーニングを可能にする。
さらに,本研究は,内部領域における結節力平衡をトレーニング目的として活用し,時間的変位記録のみから構成的関係を学習することを可能にする。
提案手法の有効性を多種多様な物質法で検証する。
我々は、ノイズのかなりのレベルに対して頑健であり、データ解像度の増大とともに基礎的な真実に収束することを実証した。
また, 試験試料のサブドメインからの変位場を用いてモデルを効果的に訓練し, 実験試料からの学習構成関係が, 異なる測地を持つ他の試料に伝達可能であることを示す。
開発手法は構成的関係を発見する効果的なツールを提供する。
関連論文リスト
- Embedding an ANN-Based Crystal Plasticity Model into the Finite Element Framework using an ABAQUS User-Material Subroutine [3.8090193872025226]
本論文は、ユーザマテリアル(UMAT)サブルーチンを用いて、トレーニングニューラルネットワーク(NN)を有限要素(FE)フレームワークに組み込む実践的な方法を提案する。
この研究は、ABAQUS UMATで広範囲に応用された複雑な非弾性な非線形経路依存材料応答である結晶の塑性を例証する。
論文 参考訳（メタデータ） (2024-09-25T10:47:18Z) - Hybrid data-driven and physics-informed regularized learning of cyclic
plasticity with Neural Networks [0.0]
提案したモデルアーキテクチャは、既存の文献のソリューションに比べてシンプルで効率的である。
この手法の検証はアームストロング・フレデリックのキネマティック・ハードニング・モデルを用いて得られたサロゲートデータを用いて行う。
論文 参考訳（メタデータ） (2024-03-04T07:09:54Z) - Disentangled Counterfactual Learning for Physical Audiovisual
Commonsense Reasoning [48.559572337178686]
本稿では,視覚的コモンセンス推論のためのディスタングル型対実学習手法を提案する。
提案手法は,任意のベースラインに組み込むことができるプラグアンドプレイモジュールである。
論文 参考訳（メタデータ） (2023-10-30T14:16:34Z) - Resilient Constrained Learning [94.27081585149836]
本稿では,学習課題を同時に解決しながら,要求に適応する制約付き学習手法を提案する。
我々はこの手法を、その操作を変更することで破壊に適応する生態システムを記述する用語に因んで、レジリエントな制約付き学習と呼ぶ。
論文 参考訳（メタデータ） (2023-06-04T18:14:18Z) - Learning solution of nonlinear constitutive material models using
physics-informed neural networks: COMM-PINN [0.0]
非線形, 経路依存的な物質挙動の関係を解くために, 物理インフォームドニューラルネットワークを適用した。
この研究の利点の1つは、複雑な物質モデルにおける非線形方程式を解くのに必要な反復ニュートン反復をバイパスすることである。
論文 参考訳（メタデータ） (2023-04-10T19:58:49Z) - Physics-aware deep learning framework for linear elasticity [0.0]
本稿では,線形連続弾性問題に対する効率的で堅牢なデータ駆動型ディープラーニング(DL)計算フレームワークを提案する。
フィールド変数の正確な表現のために,多目的損失関数を提案する。
弾性に対するAirimaty解やKirchhoff-Loveプレート問題を含むいくつかのベンチマーク問題を解く。
論文 参考訳（メタデータ） (2023-02-19T20:33:32Z) - Physics-Informed Neural Networks for Material Model Calibration from
Full-Field Displacement Data [0.0]
本研究では,実環境下でのフルフィールド変位と大域力データからモデルのキャリブレーションを行うためのPINNを提案する。
拡張PINNは、実験的な1次元データと合成フルフィールド変位データの両方から材料パラメータを識別できることを実証した。
論文 参考訳（メタデータ） (2022-12-15T11:01:32Z) - Towards Robust Dataset Learning [90.2590325441068]
本稿では,頑健なデータセット学習問題を定式化するための三段階最適化法を提案する。
ロバストな特徴と非ロバストな特徴を特徴付ける抽象モデルの下で,提案手法はロバストなデータセットを確実に学習する。
論文 参考訳（メタデータ） (2022-11-19T17:06:10Z) - Stabilizing Q-learning with Linear Architectures for Provably Efficient
Learning [53.17258888552998]
本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。
このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
論文 参考訳（メタデータ） (2022-06-01T23:26:51Z) - IQ-Learn: Inverse soft-Q Learning for Imitation [95.06031307730245]
少数の専門家データからの模倣学習は、複雑な力学を持つ高次元環境では困難である。
行動クローニングは、実装の単純さと安定した収束性のために広く使われている単純な方法である。
本稿では,1つのQ-関数を学習することで,対向学習を回避する動的適応型ILを提案する。
論文 参考訳（メタデータ） (2021-06-23T03:43:10Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z)
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。