論文の概要: Point-DeepONet: A Deep Operator Network Integrating PointNet for Nonlinear Analysis of Non-Parametric 3D Geometries and Load Conditions

• arxiv url: http://arxiv.org/abs/2412.18362v1
• Date: Tue, 24 Dec 2024 11:44:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-25 15:56:13.317531
• Title: Point-DeepONet: A Deep Operator Network Integrating PointNet for Nonlinear Analysis of Non-Parametric 3D Geometries and Load Conditions
• Title（参考訳）: Point-DeepONet:非パラメトリックな3次元測地と負荷条件の非線形解析のためのPointNetの統合したDeep Operator Network
• Authors: Jangseop Park, Namwoo Kang,
• Abstract要約: この研究は、PointNetをDeepONetフレームワークに統合した演算子ベースの幾何サロゲートであるPoint-DeepONetを提示する。 Point-DeepONet はメッシュパラメータ化や再トレーニングなしに3次元変位と von Mises 応力場を正確に予測する。 1ケースあたり19.32分程度の非線形有限要素解析と比較すると、Point-DeepONetはわずか数秒から約400倍の速さで予測を行う。
• 参考スコア（独自算出の注目度）: 1.6574413179773761
• License:
• Abstract: Nonlinear structural analyses in engineering often require extensive finite element simulations, limiting their applicability in design optimization, uncertainty quantification, and real-time control. Conventional deep learning surrogates, such as convolutional neural networks (CNNs), physics-informed neural networks (PINNs), and fourier neural operators (FNOs), face challenges with complex non-parametric three-dimensional (3D) geometries, directionally varying loads, and high-fidelity predictions on unstructured meshes. This work presents Point-DeepONet, an operator-learning-based surrogate that integrates PointNet into the DeepONet framework. By directly processing non-parametric point clouds and incorporating signed distance functions (SDF) for geometric context, Point-DeepONet accurately predicts three-dimensional displacement and von Mises stress fields without mesh parameterization or retraining. Trained using only about 5,000 nodes (2.5% of the original 200,000-node mesh), Point-DeepONet can still predict the entire mesh at high fidelity, achieving a coefficient of determination reaching 0.987 for displacement and 0.923 for von Mises stress under a horizontal load case. Compared to nonlinear finite element analyses that require about 19.32 minutes per case, Point-DeepONet provides predictions in mere seconds-approximately 400 times faster-while maintaining excellent scalability and accuracy with increasing dataset sizes. These findings highlight the potential of Point-DeepONet to enable rapid, high-fidelity structural analyses, ultimately supporting more effective design exploration and informed decision-making in complex engineering workflows.
• Abstract（参考訳）: 工学における非線形構造解析は、設計最適化、不確実性定量化、リアルタイム制御における適用性を制限し、広範な有限要素シミュレーションを必要とすることが多い。 畳み込みニューラルネットワーク(CNN)、物理情報ニューラルネットワーク(PINN)、フーリエニューラル演算子(FNO)といった従来のディープラーニングサロゲートは、複雑な非パラメトリックな3次元(3D)ジオメトリ、方向変化の負荷、非構造メッシュ上の高忠実性予測といった課題に直面している。 この研究は、PointNetをDeepONetフレームワークに統合したオペレータ学習ベースのサロゲートであるPoint-DeepONetを提示する。 非パラメトリック点雲を直接処理し、幾何学的文脈に符号付き距離関数(SDF)を組み込むことで、ポイントディープONetはメッシュパラメータ化や再トレーニングなしに三次元変位とフォン・ミセス応力場を正確に予測する。 約5,000ノード(元々の20,000ノードメッシュの2.5%)でトレーニングされたPoint-DeepONetは、水平荷重の場合のvon Mises応力の0.987および0.923に到達した判定係数を達成して、メッシュ全体を高い忠実度で予測することができる。 1ケースあたり19.32分程度の非線形有限要素解析と比較すると、Point-DeepONetはわずか数秒で約400倍の速さで予測を提供する。 これらの知見は、Point-DeepONetが高速かつ高忠実な構造解析を可能にし、最終的には複雑なエンジニアリングワークフローにおけるより効率的な設計探索と情報決定を支援する可能性を浮き彫りにした。

関連論文リスト

• Positional Encoder Graph Quantile Neural Networks for Geographic Data [4.277516034244117]
  我々は,PE-GNN,Quantile Neural Networks,および再校正技術を完全非パラメトリックフレームワークに統合する新しい手法である,位置グラフ量子ニューラルネットワーク(PE-GQNN)を紹介する。 ベンチマークデータセットの実験では、PE-GQNNは予測精度と不確実性の定量化の両方で既存の最先端手法を著しく上回っている。
  論文  参考訳（メタデータ） (2024-09-27T16:02:12Z)
• RandONet: Shallow-Networks with Random Projections for learning linear and nonlinear operators [0.0]
  ランダムプロジェクションに基づく演算子ネットワーク(RandONets)を提案する。 ランダムネット(RandONets)は、線形および非線形作用素を学習するランダムプロジェクションを持つ浅いネットワークである。 このタスクにおいて、RandONetsは数値近似の精度と計算コストの両面で、バニラ"DeepOnetsよりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-06-08T13:20:48Z)
• ParaPoint: Learning Global Free-Boundary Surface Parameterization of 3D Point Clouds [52.03819676074455]
  ParaPointは、グローバルな自由境界面パラメータ化を実現するための教師なしのニューラルネットワークパイプラインである。 この研究は、グローバルマッピングと自由境界の両方を追求するニューラルポイントクラウドパラメータ化を調査する最初の試みである。
  論文  参考訳（メタデータ） (2024-03-15T14:35:05Z)
• Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
  大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。 我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-01T16:59:21Z)
• Parameter is Not All You Need: Starting from Non-Parametric Networks for 3D Point Cloud Analysis [51.0695452455959]
  本稿では3Dポイントクラウド解析のための非パラメトリックネットワークであるPoint-NNについて述べる。 驚くべきことに、さまざまな3Dタスクでうまく機能し、パラメータやトレーニングを必要とせず、既存の完全に訓練されたモデルを超えています。
  論文  参考訳（メタデータ） (2023-03-14T17:59:02Z)
• Rethinking Lightweight Salient Object Detection via Network Depth-Width Tradeoff [26.566339984225756]
  既存の有能なオブジェクト検出手法では、より深いネットワークが採用され、性能が向上する。 本稿では,U字形構造を3つの相補枝に分解することで,新しい3方向デコーダフレームワークを提案する。 提案手法は,5つのベンチマークにおいて効率と精度のバランスが良くなることを示す。
  論文  参考訳（メタデータ） (2023-01-17T03:43:25Z)
• Physics-aware deep neural networks for surrogate modeling of turbulent natural convection [0.0]
  Rayleigh-B'enard乱流流に対するPINNのサーロゲートモデルの使用を検討する。 標準ピンの精度が低いゾーンであるトレーニング境界に近い正規化として、どのように機能するかを示す。 50億のDNS座標全体のサロゲートの予測精度は、相対的なL2ノルムで[0.3% -- 4%]の範囲のすべてのフロー変数のエラーをもたらします。
  論文  参考訳（メタデータ） (2021-03-05T09:48:57Z)
• A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries [62.28265459308354]
  ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。 断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。 ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
  論文  参考訳（メタデータ） (2020-10-15T12:15:02Z)
• 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)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)

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。