Fugu-MT 論文翻訳(概要): Advanced Displacement Magnitude Prediction in Multi-Material Architected Lattice Structure Beams Using Physics Informed Neural Network Architecture

論文の概要: Advanced Displacement Magnitude Prediction in Multi-Material Architected Lattice Structure Beams Using Physics Informed Neural Network Architecture

arxiv url: http://arxiv.org/abs/2501.03254v1
Date: Tue, 31 Dec 2024 00:15:58 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-12 03:17:11.390273
Title: Advanced Displacement Magnitude Prediction in Multi-Material Architected Lattice Structure Beams Using Physics Informed Neural Network Architecture
Title（参考訳）: 物理インフォームドニューラルネットワークアーキテクチャを用いた多素子格子構造ビームの変位マグニチュード予測
Authors: Akshansh Mishra,
Abstract要約: 本稿では, 構造物の変形予測に革新的な手法を提案する。物理情報ニューラルネットワーク(PINN)と有限要素解析を組み合わせる。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: This paper proposes an innovative method for predicting deformation in architected lattice structures that combines Physics-Informed Neural Networks (PINNs) with finite element analysis. A thorough study was carried out on FCC-based lattice beams utilizing five different materials (Structural Steel, AA6061, AA7075, Ti6Al4V, and Inconel 718) under varied edge loads (1000-10000 N). The PINN model blends data-driven learning with physics-based limitations via a proprietary loss function, resulting in much higher prediction accuracy than linear regression. PINN outperforms linear regression, achieving greater R-square (0.7923 vs 0.5686) and lower error metrics (MSE: 0.00017417 vs 0.00036187). Among the materials examined, AA6061 had the highest displacement sensitivity (0.1014 mm at maximum load), while Inconel718 had better structural stability.
Abstract（参考訳）: 本稿では,物理情報ニューラルネットワーク(PINN)と有限要素解析を組み合わせた構造格子構造の変形予測手法を提案する。 5つの異なる材料(構造鋼、AA6061、AA7075、Ti6Al4V、Inconel 718)をエッジ負荷(1000-10000N)下でFCCベースの格子ビームで徹底的に研究した。 PINNモデルは、データ駆動学習と物理に基づく制限を独自の損失関数で混合し、線形回帰よりも予測精度がはるかに高い。 PINNは線形回帰よりも優れ、より大きいR平方(0.7923対0.5686)と低いエラーメトリクス(MSE: 0.00017417対0.00036187)を達成する。調査対象の材料のうち、AA6061は最大変位感度 (0.1014 mm) を有し、Inconel718は構造安定性が向上した。

関連論文リスト

Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
論文参考訳（メタデータ） (2024-07-26T10:29:16Z)
Physics-Informed Machine Learning for Seismic Response Prediction OF Nonlinear Steel Moment Resisting Frame Structures [6.483318568088176]
PiML法は、非線形構造の地震応答をモデル化するために、科学的原理と物理法則をディープニューラルネットワークに統合する。運動方程式を操作することは、システムの非線形性を学習し、物理的に解釈可能な結果の中で解を閉じ込めるのに役立つ。結果、既存の物理誘導LSTMモデルよりも複雑なデータを処理し、他の非物理データ駆動ネットワークより優れている。
論文参考訳（メタデータ） (2024-02-28T02:16:03Z)
Neural Metamaterial Networks for Nonlinear Material Design [29.65492571110993]
メタマテリアルネットワーク - メタマテリアルファミリー全体の非線形力学を符号化する神経表現を提案する。本手法は, 所望のひずみ応力曲線, 所定の方向剛性, ポアソン比プロファイルを有する材料を自動設計する。
論文参考訳（メタデータ） (2023-09-15T13:50:43Z)
Adapting U-Net for linear elastic stress estimation in polycrystal Zr microstructures [0.0]
U-Net畳み込みニューラルネットワークアーキテクチャの変種として, a-Zr(hcp)多結晶結晶粒構造における線形弾性適合応力を推定する手法を提案する。ネットワーク性能は粒状構造規則性やテクスチャと相関せず,任意のZr結晶構造にトレーニングセットを超えたネットワークの一般化を示す。
論文参考訳（メタデータ） (2023-03-15T11:36:27Z)
A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
論文参考訳（メタデータ） (2023-01-24T08:39:20Z)
Machine-Learning Prediction of the Computed Band Gaps of Double Perovskite Materials [3.2798940914359056]
機能性材料の電子構造の予測は新しい装置の工学に不可欠である。本研究では,2重ペロブスカイト材料の電子構造を機械学習で予測する。この結果は,期待できる機能材料を迅速にスクリーニングするために,機械学習による回帰の可能性を実証するという意味で重要である。
論文参考訳（メタデータ） (2023-01-04T08:19:18Z)
RAMP-Net: A Robust Adaptive MPC for Quadrotors via Physics-informed Neural Network [6.309365332210523]
本稿では、単純なODEとデータの一部をトレーニングしたニューラルネットワークを用いて、PINN(RAMP-Net)を介してロバスト適応MPCフレームワークを提案する。我々は,SOTA回帰に基づく2つのMPC法と比較して,0.5～1.75m/sの追跡誤差を7.8%から43.2%,8.04%から61.5%削減した。
論文参考訳（メタデータ） (2022-09-19T16:11:51Z)
SmoothNets: Optimizing CNN architecture design for differentially private deep learning [69.10072367807095]
DPSGDは、サンプルごとの勾配の切り抜きとノイズ付けを必要とする。これにより、非プライベートトレーニングと比較してモデルユーティリティが削減される。 SmoothNetと呼ばれる新しいモデルアーキテクチャを蒸留し,DP-SGDトレーニングの課題に対するロバスト性の向上を特徴とした。
論文参考訳（メタデータ） (2022-05-09T07:51:54Z)
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)
Rank-R FNN: A Tensor-Based Learning Model for High-Order Data Classification [69.26747803963907]
Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。 Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
論文参考訳（メタデータ） (2021-04-11T16:37:32Z)
Inter-layer Transition in Neural Architecture Search [89.00449751022771]
本論文では、連結エッジのアーキテクチャ重み間の依存性を明示的にモデル化する。 5つのベンチマーク実験により、層間依存性のモデル化の価値を確認し、提案手法が最先端の手法より優れていることを示す。
論文参考訳（メタデータ） (2020-11-30T03:33:52Z)

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。