論文の概要: Micrometer: Micromechanics Transformer for Predicting Mechanical Responses of Heterogeneous Materials
- arxiv url: http://arxiv.org/abs/2410.05281v1
- Date: Mon, 23 Sep 2024 16:01:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-01 19:47:38.404453
- Title: Micrometer: Micromechanics Transformer for Predicting Mechanical Responses of Heterogeneous Materials
- Title(参考訳): マイクロメーター:不均一材料の機械的応答予測のためのマイクロメカニクス変換器
- Authors: Sifan Wang, Tong-Rui Liu, Shyam Sankaran, Paris Perdikaris,
- Abstract要約: 異種材料の機械的応答を予測する人工知能フレームワークであるMicromechanics Transformer(em Micrometer)を紹介する。
マイクロメーターは、幅広いミクロ組織にわたるマイクロスケールのひずみ場を予測する際に、最先端の性能を達成することができる。
私たちの研究は、計算ソリッドメカニクスにおけるAI駆動のイノベーションへの大きな一歩を示しています。
- 参考スコア(独自算出の注目度): 4.759109475818876
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Heterogeneous materials, crucial in various engineering applications, exhibit complex multiscale behavior, which challenges the effectiveness of traditional computational methods. In this work, we introduce the Micromechanics Transformer ({\em Micrometer}), an artificial intelligence (AI) framework for predicting the mechanical response of heterogeneous materials, bridging the gap between advanced data-driven methods and complex solid mechanics problems. Trained on a large-scale high-resolution dataset of 2D fiber-reinforced composites, Micrometer can achieve state-of-the-art performance in predicting microscale strain fields across a wide range of microstructures, material properties under any loading conditions and We demonstrate the accuracy and computational efficiency of Micrometer through applications in computational homogenization and multiscale modeling, where Micrometer achieves 1\% error in predicting macroscale stress fields while reducing computational time by up to two orders of magnitude compared to conventional numerical solvers. We further showcase the adaptability of the proposed model through transfer learning experiments on new materials with limited data, highlighting its potential to tackle diverse scenarios in mechanical analysis of solid materials. Our work represents a significant step towards AI-driven innovation in computational solid mechanics, addressing the limitations of traditional numerical methods and paving the way for more efficient simulations of heterogeneous materials across various industrial applications.
- Abstract(参考訳): 様々な工学的応用において重要な不均一材料は、従来の計算手法の有効性に挑戦する複雑なマルチスケールの挙動を示す。
本研究では、異種材料の機械的応答を予測し、高度なデータ駆動法と複雑な固体力学のギャップを埋める人工知能(AI)フレームワークであるMicromechanics Transformer({\em Micrometer})を紹介する。
マイクロメータは2次元繊維強化コンポジットの大規模高分解能データセットに基づいて, 様々なミクロ構造, 材料特性, 負荷条件下でのマイクロメータの精度と計算効率を実証し, 計算ホモジェナイゼーションおよびマルチスケールモデリングにおけるマイクロメータの精度と計算効率を実証し, マイクロメータは, 従来の数値計算器に比べて最大2桁の計算時間を短縮しながら, マクロスケール応力場を1倍の誤差で予測できることを示した。
さらに, 固体材料の力学解析における多種多様なシナリオに取り組む可能性を明らかにするため, 限られたデータを持つ新しい材料上での移動学習実験を通じて, 提案モデルの適応性を示す。
我々の研究は、計算ソリッドメカニクスにおけるAI駆動のイノベーションへの大きな一歩であり、従来の数値手法の限界に対処し、様々な産業応用における異種物質のより効率的なシミュレーションの道を開く。
関連論文リスト
- Enhancing Multiscale Simulations with Constitutive Relations-Aware Deep Operator Networks [0.7946947383637114]
マルチスケール有限要素計算は、マイクロ構造特性をマクロ計算解析に組み込む能力に期待されている。
マイクロスケール物理の代理モデリングにディープ・オペレーター・ネットワークを利用するハイブリッド手法を提案する。
論文 参考訳(メタデータ) (2024-05-22T15:40:05Z) - A Microstructure-based Graph Neural Network for Accelerating Multiscale
Simulations [0.0]
本稿では,この問題のマルチスケール性を維持するための代替的な代理モデル戦略を提案する。
我々は, 顕微鏡材料モデルを維持しながら, グラフニューラルネットワーク(GNN)を用いて, フルフィールドの顕微鏡歪みを予測した。
本研究では,サロゲートが複雑なマクロな応力-ひずみ経路を予測可能であることを示す。
論文 参考訳(メタデータ) (2024-02-20T15:54:24Z) - Mechanical Characterization and Inverse Design of Stochastic Architected
Metamaterials Using Neural Operators [2.4918888803900727]
機械学習は、建築された材料の設計のための変革的なツールとして登場しつつある。
ここでは、ディープニューラル演算子(DeepONet)を活用した、エンドツーエンドの科学MLフレームワークを紹介する。
2光子リソグラフィーを用いて印刷した脊椎の微細構造から得られた結果,機械的応答の予測誤差が5~10%の範囲内であることが判明した。
論文 参考訳(メタデータ) (2023-11-23T05:23:15Z) - 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) - Automatically Predict Material Properties with Microscopic Image Example
Polymer Compatibility [94.40113383292139]
機械学習を用いたコンピュータ画像認識は、人工判定の欠陥を補うことができる。
畳み込みニューラルネットワークとトランスファーラーニング手法を用いて、自動誤認認識を実現する。
提案手法は, 各種材料の微細構造と物性の定量的評価に広く応用できる。
論文 参考訳(メタデータ) (2023-03-22T07:51:32Z) - Accurate Machine Learned Quantum-Mechanical Force Fields for
Biomolecular Simulations [51.68332623405432]
分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。
近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。
本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
論文 参考訳(メタデータ) (2022-05-17T13:08:28Z) - 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) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳(メタデータ) (2021-06-08T10:14:57Z) - Model-data-driven constitutive responses: application to a multiscale
computational framework [0.0]
古典法則(モデルベース)、データ駆動補正コンポーネント、計算的マルチスケールアプローチを組み合わせたハイブリッド方法論が提示される。
非線形数値均質化法により得られた低スケールのデータを用いてモデルベース材料表現を局所的に改善する。
提案手法では,モデルとデータの両方が基本的な役割を担い,物理に基づく応答と機械学習のブラックボックスの相乗的統合を実現する。
論文 参考訳(メタデータ) (2021-04-06T16:34:46Z) - Predictive modeling approaches in laser-based material processing [59.04160452043105]
本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。
その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。
結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
論文 参考訳(メタデータ) (2020-06-13T17:28:52Z) - Intelligent multiscale simulation based on process-guided composite
database [0.0]
本稿では、プロセスモデリング、材料均質化、機械学習に基づく統合データ駆動モデリングフレームワークを提案する。
我々は, 自動車, 航空宇宙, エレクトロニクス産業において重要な材料システムとして認識されてきた, 射出成形した短繊維強化複合材料に興味を持っている。
論文 参考訳(メタデータ) (2020-03-20T20:39:19Z)
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。