論文の概要: Topology optimization of periodic lattice structures for specified mechanical properties using machine learning considering member connectivity

• arxiv url: http://arxiv.org/abs/2411.13869v1
• Date: Thu, 21 Nov 2024 06:07:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-22 15:18:00.897631
• Title: Topology optimization of periodic lattice structures for specified mechanical properties using machine learning considering member connectivity
• Title（参考訳）: 部材接続性を考慮した機械学習による特定の機械的特性に対する周期格子構造の位相最適化
• Authors: Tomoya Matsuoka, Makoto Ohsaki, Kazuki Hayashi,
• Abstract要約: 機械学習モデルの入力データとして使用される格子構造のデータ表現について検討する。 我々は格子部材の接続性を明確に考慮するためにフィルタリング手法を用いる。 そこで本研究では,大規模構造物に事前学習モデルを適用する畳み込み手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This study proposes a methodology to utilize machine learning (ML) for topology optimization of periodic lattice structures. In particular, we investigate data representation of lattice structures used as input data for ML models to improve the performance of the models, focusing on the filtering process and feature selection. We use the filtering technique to explicitly consider the connectivity of lattice members and perform feature selection to reduce the input data size. In addition, we propose a convolution approach to apply pre-trained models for small structures to structures of larger sizes. The computational cost for obtaining optimal topologies by a heuristic method is reduced by incorporating the prediction of the trained ML model into the optimization process. In the numerical examples, a response prediction model is constructed for a lattice structure of 4x4 units, and topology optimization of 4x4-unit and 8x8-unit structures is performed by simulated annealing assisted by the trained ML model. The example demonstrates that ML models perform higher accuracy by using the filtered data as input than by solely using the data representing the existence of each member. It is also demonstrated that a small-scale prediction model can be constructed with sufficient accuracy by feature selection. Additionally, the proposed method can find the optimal structure in less computation time than the pure simulated annealing.
• Abstract（参考訳）: 本研究では,周期格子構造の位相最適化に機械学習(ML)を利用する手法を提案する。 特に,MLモデルの入力データとして使用される格子構造のデータ表現について検討し,フィルタリング処理と特徴選択に着目して,モデルの性能向上を図る。 フィルタ技術を用いて格子部材の接続性を明確に検討し,特徴選択を行い,入力データサイズを小さくする。 さらに,小型構造物に対する事前学習モデルを大規模構造物に適用するための畳み込み手法を提案する。 学習したMLモデルの予測を最適化プロセスに組み込むことにより、ヒューリスティックな手法による最適位相を求めるための計算コストを削減できる。 数値的な例では、4x4ユニットの格子構造に対して応答予測モデルを構築し、4x4ユニットと8x8ユニット構造のトポロジー最適化を、訓練されたMLモデルによって支援されたシミュレーションアニーリングにより行う。 この例では、MLモデルは、各メンバーの存在を表すデータのみを使用することよりも、フィルタされたデータを入力として使用することにより、より高い精度で実行可能であることを示す。 また, 特徴選択により, 十分な精度で, 小規模な予測モデルを構築できることが実証された。 さらに, 提案手法は, 純模擬アニールよりも少ない計算時間で最適構造を求めることができる。

関連論文リスト

• Optimization-Driven Statistical Models of Anatomies using Radial Basis Function Shape Representation [3.743399165184124]
  粒子に基づく形状モデリングは、解剖学の個体群における形状変数の定量化に一般的な手法である。 本稿では,従来の最適化手法を用いて,モデルの特徴をより正確に制御する手法を提案する。 本研究では,2つの実データに対する最先端手法の有効性を実証し,損失選択を実証的に正当化する。
  論文  参考訳（メタデータ） (2024-11-24T15:43:01Z)
• Extrapolative ML Models for Copolymers [1.901715290314837]
  機械学習モデルは、材料特性の予測に徐々に使われてきた。 これらのモデルは本質的に補間的であり、物質の既知の特性範囲外の候補を探索するための有効性は未解決である。 本稿では,MLモデルの外挿能力,トレーニングデータセットのサイズと範囲,学習アプローチとの関係について検討する。
  論文  参考訳（メタデータ） (2024-09-15T11:02:01Z)
• Functional Graphical Models: Structure Enables Offline Data-Driven Optimization [111.28605744661638]
  構造がサンプル効率のよいデータ駆動最適化を実現する方法を示す。 また、FGM構造自体を推定するデータ駆動最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-08T22:33:14Z)
• Optimal Variable Clustering for High-Dimensional Matrix Valued Data [3.1138411427556445]
  本稿では,行列形式で配置された特徴に対して,新しい潜在変数モデルを提案する。 軽度条件下では,高次元設定でクラスタリングの整合性が得られる。 この重みを使用すれば、アルゴリズムが最小値の速度最適化であることが保証されるという意味で、最適な重みを識別する。
  論文  参考訳（メタデータ） (2021-12-24T02:13:04Z)
• Conservative Objective Models for Effective Offline Model-Based Optimization [78.19085445065845]
  計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。 本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。 COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
  論文  参考訳（メタデータ） (2021-07-14T17:55:28Z)
• Model-agnostic multi-objective approach for the evolutionary discovery of mathematical models [55.41644538483948]
  現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。 合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
  論文  参考訳（メタデータ） (2021-07-07T11:17:09Z)
• Surrogate Models for Optimization of Dynamical Systems [0.0]
  本稿では,低次元サロゲートモデルを構築するためのスマートデータ駆動機構を提供する。 これらの代理モデルは、複雑な最適化問題の解の計算時間を短縮する。
  論文  参考訳（メタデータ） (2021-01-22T14:09:30Z)
• Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature Selection [138.97647716793333]
  再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。 提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
  論文  参考訳（メタデータ） (2020-12-29T04:08:38Z)
• An AI-Assisted Design Method for Topology Optimization Without Pre-Optimized Training Data [68.8204255655161]
  トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。 設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
  論文  参考訳（メタデータ） (2020-12-11T14:33:27Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)
• Improving Molecular Design by Stochastic Iterative Target Augmentation [38.44457632751997]
  分子設計における生成モデルは、豊かにパラメータ化され、データハングリーなニューラルモデルである。 分子標的を反復的に生成するための驚くほど効果的な自己学習手法を提案する。 我々の手法は、条件分子設計におけるこれまでの最先端技術よりも10%以上の絶対ゲインを達成している。
  論文  参考訳（メタデータ） (2020-02-11T22:40:04Z)

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。