論文の概要: Surrogate-based multiscale analysis of experiments on thermoplastic composites under off-axis loading

• arxiv url: http://arxiv.org/abs/2501.10193v1
• Date: Fri, 17 Jan 2025 13:39:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-20 13:58:41.925135
• Title: Surrogate-based multiscale analysis of experiments on thermoplastic composites under off-axis loading
• Title（参考訳）: 偏軸荷重下における熱可塑性複合材料実験のサロゲートによるマルチスケール解析
• Authors: M. A. Maia, I. B. C. M. Rocha, D. Kovačević, F. P. van der Meer,
• Abstract要約: 偏軸荷重下での一方向熱可塑性複合材料上での定ひずみ速度とクリープ実験をモデル化するための代理型マルチスケールアプローチを提案する。 実験結果から, 単一スケールのマイクロメカニカルアプローチよりも広い範囲の環境において, 実験との整合性が示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In this paper, we present a surrogate-based multiscale approach to model constant strain-rate and creep experiments on unidirectional thermoplastic composites under off-axis loading. In previous contributions, these experiments were modeled through a single-scale micromechanical simulation under the assumption of macroscopic homogeneity. Although efficient and accurate in many scenarios, simulations with low-off axis angles showed significant discrepancies with the experiments. It was hypothesized that the mismatch was caused by macroscopic inhomogeneity, which would require a multiscale approach to capture it. However, full-field multiscale simulations remain computationally prohibitive. To address this issue, we replace the micromodel with a Physically Recurrent Neural Network (PRNN), a surrogate model that combines data-driven components with embedded constitutive models to capture history-dependent behavior naturally. The explainability of the latent space of this network is also explored in a transfer learning strategy that requires no re-training. With the surrogate-based simulations, we confirm the hypothesis raised on the inhomogeneity of the macroscopic strain field and gain insights into the influence of adjustment of the experimental setup with oblique end-tabs. Results from the surrogate-based multiscale approach show better agreement with experiments than the single-scale micromechanical approach over a wide range of settings, although with limited accuracy on the creep experiments, where macroscopic test effects were implicitly taken into account in the material properties calibration.
• Abstract（参考訳）: 本稿では,一方向熱可塑性複合材料の非軸荷重下での定常ひずみ速度およびクリープ実験をモデル化するための代理に基づくマルチスケールアプローチを提案する。 これまでのコントリビューションでは、これらの実験はマクロな均一性を仮定した単一スケールのマイクロメカニカルシミュレーションによってモデル化された。 多くのシナリオにおいて効率的かつ正確であるが、低オフ軸角度のシミュレーションは実験と大きな相違点を示した。 このミスマッチはマクロな不均一性によって引き起こされたと仮定された。 しかし、フルフィールドのマルチスケールシミュレーションは依然として計算が禁じられている。 この問題に対処するため、我々は、データ駆動コンポーネントと組込み構成モデルを組み合わせたサロゲートモデルであるPhysically Recurrent Neural Network (PRNN)をマイクロモデルに置き換え、歴史に依存した振る舞いを自然に捉える。 このネットワークの潜伏空間の説明可能性についても,再学習を必要としない伝達学習戦略について検討した。 シュロゲートをベースとしたシミュレーションにより, マクロひずみ場の不均一性に関する仮説を立証し, 斜め端タブによる実験装置の調整の影響について考察した。 サーロゲートに基づくマルチスケールアプローチの結果は, 物質特性のキャリブレーションにおいてマクロな試験効果が暗黙的に考慮されたクリープ実験において, 幅広い環境下での単一スケールのマイクロメカニカルアプローチよりも, 実験と良好な一致を示した。

関連論文リスト

• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• 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)
• Fusing Neural and Physical: Augment Protein Conformation Sampling with Tractable Simulations [27.984190594059868]
  生成モデルは サロゲートサンプルとして利用され コンフォメーションアンサンブルを 桁違いに速く得る 本研究では,MDシミュレーションを抽出可能な方法で組み込んだ,事前学習型ジェネレーティブ・サンプリング器の少数ショット設定について検討する。
  論文  参考訳（メタデータ） (2024-02-16T03:48:55Z)
• Online simulator-based experimental design for cognitive model selection [74.76661199843284]
  本稿では,抽出可能な確率を伴わない計算モデルを選択する実験設計手法BOSMOSを提案する。 シミュレーション実験では,提案手法により,既存のLFI手法に比べて最大2桁の精度でモデルを選択することができることを示した。
  論文  参考訳（メタデータ） (2023-03-03T21:41:01Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Fermionic approach to variational quantum simulation of Kitaev spin models [50.92854230325576]
  キタエフスピンモデルは、自由フェルミオンへの写像を通じて、あるパラメータ状態において正確に解けることで知られている。 古典的なシミュレーションを用いて、このフェルミオン表現を利用する新しい変分アンザッツを探索する。 また、量子コンピュータ上での非アベリアオンをシミュレートするための結果の意味についてもコメントする。
  論文  参考訳（メタデータ） (2022-04-11T18:00:01Z)
• Accessing the topological Mott insulator in cold atom quantum simulators with realistic Rydberg dressing [58.720142291102135]
  本稿では, コールド・ライドバーグ型原子を用いた光学格子の量子シミュレーションの現実的シナリオについて検討する。 本研究では, 平均場近似において, 半次および非共役充填時の位相図の詳細な解析を行う。 さらに、平均場近似における温度に対する相の安定性について検討する。
  論文  参考訳（メタデータ） (2022-03-28T14:55:28Z)
• Constructing Sub-scale Surrogate Model for Proppant Settling in Inclined Fractures from Simulation Data with Multi-fidelity Neural Network [1.045294624175056]
  傾斜流路における粒子沈降は, シェールガスの油圧破砕時に発生する重要な現象である。 そこで本研究では,MFNN(Multi-fidelity Neural Network)と呼ばれる新しい手法を提案し,その利用法について述べる。 この結果から,MFNN を用いたセッティングサロゲートの構築により,高忠実度データの必要性を低減し,計算コストを80%削減できることが示唆された。 これにより、貯水池でのプロパント沈降速度を迅速に予測する新しい経路が開かれる。
  論文  参考訳（メタデータ） (2021-09-25T08:31:33Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• Cognitive simulation models for inertial confinement fusion: Combining simulation and experimental data [0.0]
  研究者は、高性能な爆発を求めて設計空間を探索するためにコンピュータシミュレーションに大きく依存しています。 より効果的な設計と調査のために、シミュレーションは過去の実験データからの入力を必要とする。 本稿では,シミュレーションと実験データを共通の予測モデルに組み合わせた認知シミュレーション手法について述べる。
  論文  参考訳（メタデータ） (2021-03-19T02:00:14Z)
• Exploring the potential of transfer learning for metamodels of heterogeneous material deformation [0.0]
  転送学習は,低忠実度シミュレーションデータとシミュレーションデータの両方を利用することができることを示す。 我々は、大きな変形を受ける異種材料のオープンソースベンチマークデータセットであるMechanical MNISTを拡張した。 これらの低忠実度シミュレーション結果に基づいて学習したメタモデルに蓄積された知識の伝達は、高忠実度シミュレーションの結果を予測するのに使用されるメタモデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-10-28T12:43:46Z)

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。