論文の概要: A generalized dual potential for inelastic Constitutive Artificial Neural Networks: A JAX implementation at finite strains

• arxiv url: http://arxiv.org/abs/2502.17490v1
• Date: Wed, 19 Feb 2025 20:16:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 18:41:15.474102
• Title: A generalized dual potential for inelastic Constitutive Artificial Neural Networks: A JAX implementation at finite strains
• Title（参考訳）: 非弾性構成型ニューラルネットワークの一般化二重ポテンシャル:有限ひずみにおけるJAX実装
• Authors: Hagen Holthusen, Kevin Linka, Ellen Kuhl, Tim Brepols,
• Abstract要約: 非弾性構成型ニューラルネットワーク(iCANN)のための一般化二重ポテンシャル(擬似ポテンシャル)の設計手法を提案する。 このポテンシャルは、大きな変形に対する熱力学的一貫性を本質的に満足する。 その結果,新しいアーキテクチャは解釈可能なモデルやパラメータを頑健に発見し,非弾性の度合いを自律的に明らかにした。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We present a methodology for designing a generalized dual potential, or pseudo potential, for inelastic Constitutive Artificial Neural Networks (iCANNs). This potential, expressed in terms of stress invariants, inherently satisfies thermodynamic consistency for large deformations. In comparison to our previous work, the new potential captures a broader spectrum of material behaviors, including pressure-sensitive inelasticity. To this end, we revisit the underlying thermodynamic framework of iCANNs for finite strain inelasticity and derive conditions for constructing a convex, zero-valued, and non-negative dual potential. To embed these principles in a neural network, we detail the architecture's design, ensuring a priori compliance with thermodynamics. To evaluate the proposed architecture, we study its performance and limitations discovering visco-elastic material behavior, though the method is not limited to visco-elasticity. In this context, we investigate different aspects in the strategy of discovering inelastic materials. Our results indicate that the novel architecture robustly discovers interpretable models and parameters, while autonomously revealing the degree of inelasticity. The iCANN framework, implemented in JAX, is publicly accessible at https://doi.org/10.5281/zenodo.14894687.
• Abstract（参考訳）: 非弾性構成型ニューラルネットワーク(iCANN)のための一般化二重ポテンシャル(擬似ポテンシャル)の設計手法を提案する。 このポテンシャルは、応力不変量の観点から表され、本質的に大きな変形に対する熱力学的一貫性を満足する。 これまでの研究と比較すると、新しいポテンシャルは圧力に敏感な非弾性を含む幅広い物質の挙動を捉えている。 この目的のために, 有限ひずみ非弾性および凸, ゼロ値, 非負の双対ポテンシャルを構成するための導出条件について, iCANNの基盤となる熱力学の枠組みを再検討する。 これらの原則をニューラルネットワークに組み込むため、アーキテクチャの設計を詳述し、熱力学に対する優先順位の遵守を保証する。 提案手法は, 粘弾性に限らず, 粘弾性材料挙動の検出性能と限界について検討した。 本研究では,非弾性材料発見戦略の諸側面について考察する。 その結果,新しいアーキテクチャは解釈可能なモデルやパラメータを頑健に発見し,非弾性の度合いを自律的に明らかにした。 iCANNフレームワークはJAXで実装されており、https://doi.org/10.5281/zenodo.14894687で公開されている。

関連論文リスト

• Accounting for plasticity: An extension of inelastic Constitutive Artificial Neural Networks [0.0]
  塑性の非弾性現象に対するiCANNの拡張と応用について述べる。 我々は4つのフィードフォワードネットワークとリカレントニューラルネットワークを併用して学習し、第2のPiola-Kirchhoffストレス測定をトレーニングに用いた。 負荷ケースの増加に対して,極めて正確な合意が得られながら,1つの負荷ケースでのトレーニングにすでに満足な結果が得られた。
  論文  参考訳（メタデータ） (2024-07-27T19:19:42Z)
• Thermodynamics-Consistent Graph Neural Networks [50.0791489606211]
  本稿では,二成分混合物の組成依存的活動係数を予測するために,ギブス自由エネルギーグラフニューラルネットワーク(GE-GNN)を提案する。 GE-GNNアーキテクチャはギブス自由エネルギーを超えるモルを予測することによって熱力学的整合性を確保する。 活性係数予測の精度と熱力学的整合性を示す。
  論文  参考訳（メタデータ） (2024-07-08T06:58:56Z)
• Understanding the differences in Foundation Models: Attention, State Space Models, and Recurrent Neural Networks [50.29356570858905]
  本稿では,これらすべてのアーキテクチャの共通表現に関する原則的な調査を可能にする動的システムフレームワーク(DSF)について紹介する。 ソフトマックスアテンションと他のモデルクラスとの原理的比較を行い、ソフトマックスアテンションを近似できる理論条件について議論する。 このことは、DSFが将来のより効率的でスケーラブルな基盤モデルの体系的な開発を導く可能性を示している。
  論文  参考訳（メタデータ） (2024-05-24T17:19:57Z)
• On the Dynamics Under the Unhinged Loss and Beyond [104.49565602940699]
  我々は、閉形式力学を解析するための数学的機会を提供する、簡潔な損失関数であるアンヒンジド・ロスを導入する。 アンヒンジされた損失は、時間変化学習率や特徴正規化など、より実践的なテクニックを検討することができる。
  論文  参考訳（メタデータ） (2023-12-13T02:11:07Z)
• Theory and implementation of inelastic Constitutive Artificial Neural Networks [0.0]
  構成型ニューラルネットワーク(CANN)を非弾性材料(iCANN)に拡張する 我々は、iCANNが人工的に生成されたデータのモデルを自動的に発見できることを実証した。 我々のビジョンは、iCANNがデータの中に隠された様々な非弾性現象を発見し、それらの相互作用を理解する新しい方法を明らかにすることである。
  論文  参考訳（メタデータ） (2023-11-10T20:13:29Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• FAENet: Frame Averaging Equivariant GNN for Materials Modeling [123.19473575281357]
  データ変換による任意のモデルE(3)-同変や不変化を実現するために,フレームアラグリング(SFA)に依存したフレキシブルなフレームワークを導入する。 本手法の有効性を理論的および実験的に証明し, 材料モデリングにおける精度と計算スケーラビリティを実証する。
  論文  参考訳（メタデータ） (2023-04-28T21:48:31Z)
• NN-EUCLID: deep-learning hyperelasticity without stress data [0.0]
  本稿では,物理一貫性のあるディープニューラルネットワークを用いた超弾性法則の教師なし学習手法を提案する。 応力-ひずみを仮定する教師付き学習とは対照的に,本手法は実測可能な全弾性場変位と大域的力可用性データのみを用いる。
  論文  参考訳（メタデータ） (2022-05-04T13:54:54Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• Thermodynamics-based Artificial Neural Networks (TANN) for multiscale modeling of materials with inelastic microstructure [0.0]
  マルチスケールの均質化手法は、非弾性材料のマクロ力学的挙動の信頼性と正確な予測を行うためにしばしば用いられる。 ディープラーニングに基づくデータ駆動型アプローチは、アドホックな法則や高速な数値手法に代わる、有望な代替手段として台頭している。 本稿では,非弾性・複雑な構造を持つ機械材料のモデリングのための熱力学に基づくニューラルネットワーク(TANN)を提案する。
  論文  参考訳（メタデータ） (2021-08-30T11:50:38Z)
• Thermodynamics-based Artificial Neural Networks for constitutive modeling [0.0]
  本稿では,物質点レベルでのひずみ速度独立過程のモデリングのための,データ駆動型物理ベースニューラルネットワークの新たなクラスを提案する。 熱力学の2つの基本原理は、自動微分を利用してネットワークのアーキテクチャに符号化される。 本研究では, 伸縮硬化および軟化ひずみを有するエラスト塑性材料をモデル化するためのTANNの広範囲な適用性を示す。
  論文  参考訳（メタデータ） (2020-05-25T15:56:34Z)

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。