論文の概要: Energy-based physics-informed neural network for frictionless contact problems under large deformation

• arxiv url: http://arxiv.org/abs/2411.03671v1
• Date: Wed, 06 Nov 2024 05:10:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-07 19:22:01.978757
• Title: Energy-based physics-informed neural network for frictionless contact problems under large deformation
• Title（参考訳）: エネルギーをベースとした物理インフォームドニューラルネットワークによる大変形時の摩擦レス接触問題の解法
• Authors: Jinshuai Bai, Zhongya Lin, Yizheng Wang, Jiancong Wen, Yinghua Liu, Timon Rabczuk, YuanTong Gu, Xi-Qiao Feng,
• Abstract要約: 本研究では、摩擦のない接触問題を大変形下で解くためのエネルギーベース物理インフォームドニューラルネットワーク(PINN)フレームワークを提案する。 微視的なレナード・ジョーンズポテンシャルにインスパイアされた表面接触エネルギーは、接触現象を記述するために用いられる。 提案したPINNフレームワークは,非線形接触力学の信頼性と強力なツールであることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Numerical methods for contact mechanics are of great importance in engineering applications, enabling the prediction and analysis of complex surface interactions under various conditions. In this work, we propose an energy-based physics-informed neural network (PINNs) framework for solving frictionless contact problems under large deformation. Inspired by microscopic Lennard-Jones potential, a surface contact energy is used to describe the contact phenomena. To ensure the robustness of the proposed PINN framework, relaxation, gradual loading and output scaling techniques are introduced. In the numerical examples, the well-known Hertz contact benchmark problem is conducted, demonstrating the effectiveness and robustness of the proposed PINNs framework. Moreover, challenging contact problems with the consideration of geometrical and material nonlinearities are tested. It has been shown that the proposed PINNs framework provides a reliable and powerful tool for nonlinear contact mechanics. More importantly, the proposed PINNs framework exhibits competitive computational efficiency to the commercial FEM software when dealing with those complex contact problems. The codes used in this manuscript are available at https://github.com/JinshuaiBai/energy_PINN_Contact.(The code will be available after acceptance)
• Abstract（参考訳）: 接触力学の数値解法は工学的応用において非常に重要であり、様々な条件下での複雑な表面相互作用の予測と解析を可能にする。 本研究では、摩擦のない接触問題を大変形下で解くためのエネルギーベース物理インフォームドニューラルネットワーク(PINN)フレームワークを提案する。 微視的なレナード・ジョーンズポテンシャルにインスパイアされた表面接触エネルギーは、接触現象を記述するために用いられる。 提案するPINNフレームワークの堅牢性を確保するため, 緩和, 段階的負荷, 出力スケーリング技術を導入している。 数値的な例では、よく知られたHertzコンタクトベンチマーク問題を実行し、提案したPINNフレームワークの有効性と堅牢性を示す。 さらに, 幾何学的, 材料的非線形性を考慮した接触問題について検討した。 提案したPINNフレームワークは,非線形接触力学の信頼性と強力なツールであることがわかった。 さらに、提案したPINNフレームワークは、これらの複雑な接触問題を扱う際に、商用のFEMソフトウェアと競合する計算効率を示す。 この写本で使用されるコードはhttps://github.com/JinshuaiBai/energy_PINN_Contact.comで入手できる。 (コードは受理後利用可能)

関連論文リスト

• From Graphs to Qubits: A Critical Review of Quantum Graph Neural Networks [56.51893966016221]
  量子グラフニューラルネットワーク(QGNN)は、量子コンピューティングとグラフニューラルネットワーク(GNN)の新たな融合を表す。 本稿では,QGNNの現状を批判的にレビューし,様々なアーキテクチャを探求する。 我々は、高エネルギー物理学、分子化学、ファイナンス、地球科学など多種多様な分野にまたがる応用について論じ、量子的優位性の可能性を強調した。
  論文  参考訳（メタデータ） (2024-08-12T22:53:14Z)
• Solving Forward and Inverse Problems of Contact Mechanics using Physics-Informed Neural Networks [0.0]
  出力変換によって強化された混合変数定式化でPINNをデプロイし、ハード制約とソフト制約を強制する。 PINNは純粋部分方程式(PDE)の解法として、データ強化フォワードモデルとして、そして高速に評価可能なサロゲートモデルとして機能することを示す。
  論文  参考訳（メタデータ） (2023-08-24T11:31:24Z)
• Topology optimization with physics-informed neural networks: application to noninvasive detection of hidden geometries [0.40611352512781856]
  本稿では,隠れた幾何学構造を検出するためのPINNに基づくトポロジ最適化フレームワークを提案する。 非線形弾性体および非線形弾性体における隠れヴォイドおよび包有物の数,位置,形状を検出することにより,我々の枠組みを検証した。
  論文  参考訳（メタデータ） (2023-03-13T12:44:32Z)
• PAC-NeRF: Physics Augmented Continuum Neural Radiance Fields for Geometry-Agnostic System Identification [64.61198351207752]
  ビデオからのシステム同定(オブジェクトの物理的パラメータを推定する)への既存のアプローチは、既知のオブジェクトジオメトリを仮定する。 本研究では,オブジェクトの形状やトポロジを仮定することなく,多視点ビデオの集合から物理系を特徴付けるパラメータを同定することを目的とする。 マルチビュービデオから高ダイナミックな物体の未知の幾何学的パラメータと物理的パラメータを推定するために,Physics Augmented Continuum Neural Radiance Fields (PAC-NeRF)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T18:59:50Z)
• 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)
• Tunable Complexity Benchmarks for Evaluating Physics-Informed Neural Networks on Coupled Ordinary Differential Equations [64.78260098263489]
  本研究では,より複雑に結合した常微分方程式(ODE)を解く物理インフォームドニューラルネットワーク(PINN)の能力を評価する。 PINNの複雑性が増大するにつれて,これらのベンチマークに対する正しい解が得られないことが示される。 PINN損失のラプラシアンは,ネットワーク容量の不足,ODEの条件の低下,局所曲率の高さなど,いくつかの理由を明らかにした。
  論文  参考訳（メタデータ） (2022-10-14T15:01:32Z)
• Auto-PINN: Understanding and Optimizing Physics-Informed Neural Architecture [77.59766598165551]
  物理インフォームドニューラルネットワーク(PINN)は、ディープラーニングのパワーを科学計算にもたらし、科学と工学の実践に革命をもたらしている。 本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法をPINN設計に適用したAuto-PINNを提案する。 標準PDEベンチマークを用いた包括的事前実験により、PINNの構造と性能の関係を探索することができる。
  論文  参考訳（メタデータ） (2022-05-27T03:24:31Z)
• Contact Points Discovery for Soft-Body Manipulations with Differentiable Physics [99.86385468927638]
  本稿では,ソフトボディのプラスチックを変形させる物理解法を導出する接触点探索手法(CPDeform)を提案する。 単一段階のタスクでは,移動優先度に基づいて適切な初期接触点を自動的に見つけることができる。 複雑なマルチステージタスクでは、トランスポート優先に基づいて、エンドエフェクタの接触点を反復的に切り替えることができる。
  論文  参考訳（メタデータ） (2022-05-05T17:59:41Z)
• Physics-informed neural networks for non-Newtonian fluid thermo-mechanical problems: an application to rubber calendering process [0.0]
  本稿では,ゴムカレンダ法においてよく考慮される非ニュートン流体熱力学問題に対するPINNの適用について述べる。 センサの配置と教師なし点の分布がPINNの性能に及ぼす影響について検討した。 また,センサが計測した計測値から未知の物理パラメータを識別するPINNの能力についても検討した。
  論文  参考訳（メタデータ） (2022-01-31T17:54:44Z)
• Physics informed neural networks for continuum micromechanics [68.8204255655161]
  近年,応用数学や工学における多種多様な問題に対して,物理情報ニューラルネットワークの適用が成功している。 グローバルな近似のため、物理情報ニューラルネットワークは、最適化によって局所的な効果と強い非線形解を表示するのに困難である。 実世界の$mu$CT-Scansから得られた不均一構造における非線形応力, 変位, エネルギー場を, 正確に解くことができる。
  論文  参考訳（メタデータ） (2021-10-14T14:05:19Z)
• A Physics Informed Neural Network Approach to Solution and Identification of Biharmonic Equations of Elasticity [0.0]
  本研究では,エアリーストレス関数とフーリエ級数を組み合わせた物理情報ニューラルネットワーク(PINN)の適用について検討する。 両高調波PDEに対するPINNソリューションの精度は, エアリー応力関数による特徴空間の強化により著しく向上することがわかった。
  論文  参考訳（メタデータ） (2021-08-16T17:19:50Z)

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。