論文の概要: Physics-Informed Neural Network Based Digital Image Correlation Method
- arxiv url: http://arxiv.org/abs/2409.00956v1
- Date: Mon, 2 Sep 2024 05:53:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-06 08:08:59.595382
- Title: Physics-Informed Neural Network Based Digital Image Correlation Method
- Title（参考訳）: 物理インフォームドニューラルネットワークを用いたディジタル画像相関法
- Authors: Boda Li, Shichao Zhou, Qinwei Ma, Shaopeng Ma,
- Abstract要約: ディジタル画像相関 (DIC) は, フルフィールド変形測定のための実験力学において重要な技術である。
最近のディープラーニングベースのDICアプローチでは、教師付きと教師なしの両方が、ニューラルネットワークを使用してスペックル画像を変形場にマッピングしている。
本稿では,物理インフォームドニューラルネットワーク(PINN)に基づく新しいDIC手法であるPINN-DICを紹介する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Digital Image Correlation (DIC) is a key technique in experimental mechanics for full-field deformation measurement, traditionally relying on subset matching to determine displacement fields. However, selecting optimal parameters like shape functions and subset size can be challenging in non-uniform deformation scenarios. Recent deep learning-based DIC approaches, both supervised and unsupervised, use neural networks to map speckle images to deformation fields, offering precise measurements without manual tuning. However, these methods require complex network architectures to extract speckle image features, which does not guarantee solution accuracy This paper introduces PINN-DIC, a novel DIC method based on Physics-Informed Neural Networks (PINNs). Unlike traditional approaches, PINN-DIC uses a simple fully connected neural network that takes the coordinate domain as input and outputs the displacement field. By integrating the DIC governing equation into the loss function, PINN-DIC directly extracts the displacement field from reference and deformed speckle images through iterative optimization. Evaluations on simulated and real experiments demonstrate that PINN-DIC maintains the accuracy of deep learning-based DIC in non-uniform fields while offering three distinct advantages: 1) enhanced precision with a simpler network by directly fitting the displacement field from coordinates, 2) effective handling of irregular boundary displacement fields with minimal parameter adjustments, and 3) easy integration with other neural network-based mechanical analysis methods for comprehensive DIC result analysis.
- Abstract（参考訳）: ディジタル画像相関(DIC)は、従来、変位場を決定するためにサブセットマッチングに頼っていた、フルフィールドの変形測定のための実験力学における鍵となる技術である。
しかし、不均一な変形シナリオでは、形状関数やサブセットサイズのような最適なパラメータを選択することは困難である。
最近のディープラーニングベースのDICアプローチは、教師付きと教師なしの両方で、ニューラルネットワークを使用してスペックル画像を変形場にマッピングし、手動チューニングなしで正確な測定を提供する。
しかし,これらの手法ではスペックル画像の特徴を抽出するために複雑なネットワークアーキテクチャを必要とするため,解の精度は保証されない。
従来のアプローチとは異なり、PINN-DICは、座標領域を入力として、変位場を出力する単純な完全に接続されたニューラルネットワークを使用する。
DIC制御方程式を損失関数に統合することにより、PINN-DICは、反復最適化により参照および変形スペックル画像から直接変位場を抽出する。
シミュレーションおよび実実験による評価は、PINN-DICが非一様分野における深層学習に基づくDICの精度を維持しつつ、3つの異なる利点を提供していることを示している。
1)座標から変位場を直接取付けることにより、より単純なネットワークによる精度の向上。
2【最小パラメータ調整による不規則境界変位場の効果的取扱い】
3) 包括的DIC結果解析のための他のニューラルネットワークに基づく機械的解析手法と容易に統合できる。
関連論文リスト
- Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。
実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
論文 参考訳（メタデータ） (2024-08-28T10:07:17Z) - DMF-TONN: Direct Mesh-free Topology Optimization using Neural Networks [4.663709549795511]
本研究では、密度場近似ニューラルネットワークと変位場近似ニューラルネットワークを統合することで、トポロジ最適化を行うための直接メッシュフリー手法を提案する。
この直接積分手法は従来のトポロジ最適化手法に匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2023-05-06T18:04:51Z) - Deep learning for full-field ultrasonic characterization [7.120879473925905]
本研究では、最近の機械学習の進歩を活用して、物理に基づくデータ分析プラットフォームを構築する。
直接反転と物理インフォームドニューラルネットワーク(PINN)の2つの論理について検討した。
論文 参考訳（メタデータ） (2023-01-06T05:01:05Z) - Medical Image Registration via Neural Fields [35.80302878742334]
NIR(Neural Image Registration)と呼ばれる新しいニューラルネットベースの画像登録フレームワークを提案する。
2つの3D MR脳スキャンデータセットの実験により、NIRは登録精度と正規性の両方の観点から最先端のパフォーマンスを得る一方で、従来の最適化ベースの手法よりもはるかに高速に動作していることが示された。
論文 参考訳（メタデータ） (2022-06-07T08:43:31Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Mixed Precision Low-bit Quantization of Neural Network Language Models
for Speech Recognition [67.95996816744251]
長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。
現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。
本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
論文 参考訳（メタデータ） (2021-11-29T12:24:02Z) - Characterizing possible failure modes in physics-informed neural
networks [55.83255669840384]
科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。
既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。
これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
論文 参考訳（メタデータ） (2021-09-02T16:06:45Z) - Equivariant geometric learning for digital rock physics: estimating
formation factor and effective permeability tensors from Morse graph [7.355408124040856]
本論文では、マイクロCT画像から生成因子と有効透過率を直接予測するSE(3)等価グラフニューラルネットワーク(GNN)手法を提案する。
FFTソルバは形成因子と有効透磁率の両方を計算するために確立され、気孔空間の位相と幾何学は永続化ベースのモースグラフで表される。
論文 参考訳（メタデータ） (2021-04-12T16:28:25Z) - Topological obstructions in neural networks learning [67.8848058842671]
損失勾配関数フローのグローバル特性について検討する。
損失関数とそのモースコンプレックスの位相データ解析を用いて,損失面の大域的特性と勾配軌道に沿った局所的挙動を関連付ける。
論文 参考訳（メタデータ） (2020-12-31T18:53:25Z) - Modeling from Features: a Mean-field Framework for Over-parameterized
Deep Neural Networks [54.27962244835622]
本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。
このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。
本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
論文 参考訳（メタデータ） (2020-07-03T01:37:16Z) - ODEN: A Framework to Solve Ordinary Differential Equations using
Artificial Neural Networks [0.0]
我々は、ニューラルネットワークの性能を評価するために、正確な解の知識を必要としない特定の損失関数を証明した。
ニューラルネットワークは、トレーニング領域内での継続的ソリューションの近似に熟練していることが示されている。
ユーザフレンドリで適応可能なオープンソースコード(ODE$mathcalN$)がGitHubで提供されている。
論文 参考訳（メタデータ） (2020-05-28T15:34:10Z)
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。