論文の概要: Statistical learning of structure-property relationships for transport in porous media, using hybrid AI modeling

• arxiv url: http://arxiv.org/abs/2503.21560v1
• Date: Thu, 27 Mar 2025 14:46:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:33:20.205371
• Title: Statistical learning of structure-property relationships for transport in porous media, using hybrid AI modeling
• Title（参考訳）: ハイブリッドAIモデリングを用いた多孔質媒質の輸送における構造-適合関係の統計的学習
• Authors: Somayeh Hosseinhashemi, Philipp Rieder, Orkun Furat, Benedikt Prifling, Changlin Wu, Christoph Thon, Volker Schmidt, Carsten Schilde,
• Abstract要約: 多孔質媒体の3次元微細構造は、有効拡散率や透過性を含む結果のマクロな性質に大きな影響を及ぼす。 多孔質媒体の性能を最適化するためには, 定量的構造・物性関係が重要である。 本論文は文献から得られた多孔質媒体の90,000個の仮想的な3次元微細構造を用いる。 このデータセットにハイブリッドAIフレームワークを適用することで,これらの知見を拡張した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The 3D microstructure of porous media, such as electrodes in lithium-ion batteries or fiber-based materials, significantly impacts the resulting macroscopic properties, including effective diffusivity or permeability. Consequently, quantitative structure-property relationships, which link structural descriptors of 3D microstructures such as porosity or geodesic tortuosity to effective transport properties, are crucial for further optimizing the performance of porous media. To overcome the limitations of 3D imaging, parametric stochastic 3D microstructure modeling is a powerful tool to generate many virtual but realistic structures at the cost of computer simulations. The present paper uses 90,000 virtually generated 3D microstructures of porous media derived from literature by systematically varying parameters of stochastic 3D microstructure models. Previously, this data set has been used to establish quantitative microstructure-property relationships. The present paper extends these findings by applying a hybrid AI framework to this data set. More precisely, symbolic regression, powered by deep neural networks, genetic algorithms, and graph attention networks, is used to derive precise and robust analytical equations. These equations model the relationships between structural descriptors and effective transport properties without requiring manual specification of the underlying functional relationship. By integrating AI with traditional computational methods, the hybrid AI framework not only generates predictive equations but also enhances conventional modeling approaches by capturing relationships influenced by specific microstructural features traditionally underrepresented. Thus, this paper significantly advances the predictive modeling capabilities in materials science, offering vital insights for designing and optimizing new materials with tailored transport properties.
• Abstract（参考訳）: リチウムイオン電池や繊維系材料の電極などの多孔質媒体の3次元微細構造は、効果的な拡散率や透過性など、結果として生じるマクロな性質に大きな影響を及ぼす。 その結果,多孔質媒体の性能を最適化するためには,ポーシティやジオデシック・トルティシティなどの3次元構造の構造記述子を有効輸送特性に結びつける定量的構造・物性関係が重要である。 3次元イメージングの限界を克服するために、パラメトリック確率的3次元微細構造モデリングは、コンピュータシミュレーションのコストで多くの仮想的かつ現実的な構造を生成する強力なツールである。 本稿では,確率的3次元構造モデルの体系的パラメータ変化により,文献から得られた多孔質媒体の90,000個の仮想的に生成された3次元微細構造を用いる。 以前は、このデータセットは、定量的なミクロ構造とプロパティの関係を確立するために用いられてきた。 本稿では,このデータセットにハイブリッドAIフレームワークを適用することにより,これらの知見を拡張した。 より正確には、ディープニューラルネットワーク、遺伝的アルゴリズム、グラフアテンションネットワークによって駆動されるシンボリック回帰は、正確で堅牢な解析方程式を導出するために用いられる。 これらの方程式は、基礎となる機能関係を手動で指定することなく、構造記述子と効果的な輸送特性の関係をモデル化する。 従来の計算手法とAIを統合することで、ハイブリッドAIフレームワークは予測方程式を生成するだけでなく、従来あまり表現されていなかった特定のミクロ構造的特徴の影響を受け、従来のモデリングアプローチも強化する。 そこで本研究では, 材料科学における予測モデリング能力を大幅に向上させ, 新しい材料の設計・最適化のための重要な知見を提供する。

関連論文リスト

• Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
  複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。 我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T23:13:55Z)
• Efficient Symmetry-Aware Materials Generation via Hierarchical Generative Flow Networks [52.13486402193811]
  新しい固体材料は、結晶構造の広大な空間を急速に探索し、安定した領域を探索する必要がある。 既存の手法では、大きな材料空間を探索し、望ましい特性と要求を持った多様なサンプルを生成するのに苦労している。 本研究では, 材料空間の対称性を効果的に活用し, 所望の特性を持つ結晶構造を生成するために, 階層的探索戦略を用いた新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-06T23:53:34Z)
• Consistent machine learning for topology optimization with microstructure-dependent neural network material models [0.0]
  空間的に異なるミクロ構造対称性と異なる異なるマイクロ構造記述子を持つマルチスケール構造のためのフレームワークを提案する。 本研究は,密度に基づく設計最適化と整合性の統合の可能性を明らかにする。
  論文  参考訳（メタデータ） (2024-08-25T14:17:43Z)
• Benchmark on Drug Target Interaction Modeling from a Structure Perspective [48.60648369785105]
  薬物と標的の相互作用の予測は、薬物の発見と設計に不可欠である。 グラフニューラルネットワーク(GNN)やトランスフォーマーに基づく最近の手法は、さまざまなデータセットで例外的なパフォーマンスを示している。 我々は,GNNベースと暗黙的(トランスフォーマーベース)構造学習アルゴリズムを多用することにより,構造の観点からの薬物-標的相互作用モデリングの総合的な調査とベンチマークを行う。
  論文  参考訳（メタデータ） (2024-07-04T16:56:59Z)
• A Generative Machine Learning Model for Material Microstructure 3D Reconstruction and Performance Evaluation [4.169915659794567]
  2次元から3次元への次元展開は、現在の技術的観点から非常に難しい逆問題と見なされている。 U-netのマルチスケール特性とGANの生成能力を統合する新しい生成モデルが提案されている。 さらに、画像正規化損失とワッサーシュタイン距離損失を組み合わせることにより、モデルの精度をさらに向上する。
  論文  参考訳（メタデータ） (2024-02-24T13:42:34Z)
• Scalable Diffusion for Materials Generation [99.71001883652211]
  我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。 UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。 材料の生成モデルを評価するための追加指標を提案する。
  論文  参考訳（メタデータ） (2023-10-18T15:49:39Z)
• A Neural Network Transformer Model for Composite Microstructure Homogenization [1.2277343096128712]
  森田中法のような均質化法は、幅広い構成特性に対して急速な均質化をもたらす。 本稿では,様々なミクロ構造の知識を捉えたトランスフォーマーニューラルネットワークアーキテクチャについて述べる。 ネットワークは、履歴に依存し、非線形で、均質化されたストレス-ひずみ応答を予測する。
  論文  参考訳（メタデータ） (2023-04-16T19:57:52Z)
• Three-dimensional microstructure generation using generative adversarial neural networks in the context of continuum micromechanics [77.34726150561087]
  本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。 軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
  論文  参考訳（メタデータ） (2022-05-31T13:26:51Z)
• 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)
• An efficient optimization based microstructure reconstruction approach with multiple loss functions [0.0]
  マイクロ構造再構成には、(一連の)ターゲットのマイクロ構造の重要な統計と特性に一致する、デジタル化されたマイクロ構造の生成が含まれる 本稿では,事前学習した深層ニューラルネットワークの統計記述子と特徴マップを,最適化に基づく再構築手順のための全体的な損失関数に統合する。 二相ランダム多孔質材料の微細構造再構成の数値的な例は、提案手法の効率性を示している。
  論文  参考訳（メタデータ） (2021-02-04T04:33:17Z)
• Intelligent multiscale simulation based on process-guided composite database [0.0]
  本稿では、プロセスモデリング、材料均質化、機械学習に基づく統合データ駆動モデリングフレームワークを提案する。 我々は, 自動車, 航空宇宙, エレクトロニクス産業において重要な材料システムとして認識されてきた, 射出成形した短繊維強化複合材料に興味を持っている。
  論文  参考訳（メタデータ） (2020-03-20T20:39:19Z)

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。