論文の概要: Physics-based machine learning for fatigue lifetime prediction under non-uniform loading scenarios

• arxiv url: http://arxiv.org/abs/2503.05419v1
• Date: Fri, 07 Mar 2025 13:45:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-10 12:19:56.377664
• Title: Physics-based machine learning for fatigue lifetime prediction under non-uniform loading scenarios
• Title（参考訳）: 非一様負荷シナリオ下での疲労寿命予測のための物理ベース機械学習
• Authors: Abedulgader Baktheer, Fadi Aldakheel,
• Abstract要約: この研究は、材料の疲労寿命を予測する物理ベースの機械学習(phi$ML)の可能性を強調した。 物理的にベースとした異方性連続体損傷疲労モデルにより生成された数値シミュレーションを用いて訓練する。 提案手法は、純粋にデータ駆動型ニューラルネットワークよりも精度が高い。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Accurate lifetime prediction of structures subjected to cyclic loading is vital, especially in scenarios involving non-uniform loading histories where load sequencing critically influences structural durability. Addressing this complexity requires advanced modeling approaches capable of capturing the intricate relationship between loading sequences and fatigue lifetime. Traditional fatigue simulations are computationally prohibitive, necessitating more efficient methods. This study highlights the potential of physics-based machine learning ($\phi$ML) to predict the fatigue lifetime of materials. Specifically, a FFNN is designed to embed physical constraints from experimental evidence directly into its architecture to enhance prediction accuracy. It is trained using numerical simulations generated by a physically based anisotropic continuum damage fatigue model. The model is calibrated and validated against experimental fatigue data of concrete cylinder specimens tested in uniaxial compression. The proposed approach demonstrates superior accuracy compared to purely data-driven neural networks, particularly in situations with limited training data, achieving realistic predictions of damage accumulation. Thus, a general algorithm is developed and successfully applied to predict fatigue lifetimes under complex loading scenarios with multiple loading ranges. Hereby, the $\phi$ML model serves as a surrogate to capture damage evolution across load transitions. The $\phi$ML based algorithm is subsequently employed to investigate the influence of multiple loading transitions on accumulated fatigue life, and its predictions align with trends observed in recent experimental studies. This work demonstrates $\phi$ML as a promising technique for efficient and reliable fatigue life prediction in engineering structures, with possible integration into digital twin models for real-time assessment.
• Abstract（参考訳）: 循環荷重を受ける構造物の正確な寿命予測は、特に負荷シークエンシングが構造耐久性に重大な影響を及ぼす非一様荷重履歴を含むシナリオにおいて重要である。 この複雑さに対処するには、ロードシーケンスと疲労寿命の間の複雑な関係をキャプチャできる高度なモデリングアプローチが必要である。 従来の疲労シミュレーションは計算的に禁忌であり、より効率的な方法を必要とする。 この研究は、材料の疲労寿命を予測する物理ベースの機械学習(\phi$ML)の可能性を強調した。 具体的には、FFNNは、予測精度を高めるために、実験的なエビデンスからの物理的な制約を直接アーキテクチャに埋め込むように設計されている。 物理的にベースとした異方性連続体損傷疲労モデルにより生成された数値シミュレーションを用いて訓練する。 一軸圧縮法で試験したコンクリートシリンダー試験片の試験疲労データに対して, 模型を校正し, 検証した。 提案手法は、純粋にデータ駆動型ニューラルネットワーク、特に訓練データに制限のある状況において、損傷蓄積の現実的な予測を達成し、精度が優れていることを示す。 このようにして、複数の負荷範囲を持つ複雑な負荷シナリオ下での疲労寿命を予測するために、一般的なアルゴリズムを開発し、うまく適用した。 これにより、$\phi$MLモデルは負荷遷移における損傷の進化を捉える代理となる。 その後、$\phi$MLベースのアルゴリズムを用いて、複数の負荷遷移が蓄積された疲労寿命に与える影響を調査し、その予測は最近の実験で観測された傾向と一致している。 この研究は、エンジニアリング構造における効率的で信頼性の高い疲労寿命予測のための有望な手法として$\phi$MLを示し、リアルタイムアセスメントのためにデジタルツインモデルに統合することができる。

関連論文リスト

• Predictive Modeling and Uncertainty Quantification of Fatigue Life in Metal Alloys using Machine Learning [39.58317527488534]
  本研究では, 金属材料の疲労寿命予測における定量化の不確実性について紹介する。 提案手法は,バスキーンの疲労モデルを用いて推定した物理式に基づく入力特徴を用いる。 物理モデルとデータ駆動モデルとの相乗効果により、予測値の一貫性が向上する。
  論文  参考訳（メタデータ） (2025-01-25T03:43:19Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Improved Long Short-Term Memory-based Wastewater Treatment Simulators for Deep Reinforcement Learning [0.0]
  排水処理データのトレーニングモデルを改善するための2つの手法を実装した。 実験結果から, これらの手法を用いることで, シミュレーションの動作を1年を通して動的時間ワープで改善できることがわかった。
  論文  参考訳（メタデータ） (2024-03-22T10:20:09Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Real-time simulation of viscoelastic tissue behavior with physics-guided deep learning [0.8250374560598492]
  軟部組織の変位場を粘弾性特性で予測する深層学習法を提案する。 提案手法は従来のCNNモデルよりも精度が高い。 本調査は,仮想現実における深層学習のギャップを埋めるのに役立つものと期待されている。
  論文  参考訳（メタデータ） (2023-01-11T18:17:10Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
  リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。 機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。 本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-27T20:53:39Z)
• Self-learning locally-optimal hypertuning using maximum entropy, and comparison of machine learning approaches for estimating fatigue life in composite materials [0.0]
  疲労損傷を予測するための最大エントロピーの原理に基づくML近傍近似アルゴリズムを開発した。 予測は、他のMLアルゴリズムと同様、高いレベルの精度を達成する。
  論文  参考訳（メタデータ） (2022-10-19T12:20:07Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• 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)
• Data-driven method for real-time prediction and uncertainty quantification of fatigue failure under stochastic loading using artificial neural networks and Gaussian process regression [0.0]
  早期故障予測の方法は、工学、軍事、および市民の用途に不可欠です。 不確実性(UQ)は、リアルタイム意思決定の目的において重要である。
  論文  参考訳（メタデータ） (2021-03-11T13:57:08Z)

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。