論文の概要: Predicting Stress and Damage in Carbon Fiber-Reinforced Composites Deformation Process using Composite U-Net Surrogate Model
- arxiv url: http://arxiv.org/abs/2504.14143v1
- Date: Sat, 19 Apr 2025 02:29:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-30 04:48:52.889812
- Title: Predicting Stress and Damage in Carbon Fiber-Reinforced Composites Deformation Process using Composite U-Net Surrogate Model
- Title(参考訳): 複合Uネットサロゲートモデルを用いた炭素繊維強化複合材料の変形過程の予測応力と損傷
- Authors: Zeping Chen, Marwa Yacouti, Maryam Shakiba, Jian-Xun Wang, Tengfei Luo, Vikas Varshney,
- Abstract要約: 炭素繊維強化複合材料(CFRC)は、その異常な機械的特性により、高度な工学的応用において重要である。
機械的負荷下でのCFRCの挙動の深い理解は、航空宇宙構造などの要求された応用における性能の最適化に不可欠である。
本研究では, CFRC変形時の応力場と損傷場を同時に予測する, 自己回帰型複合U-Netディープラーニングモデルを提案する。
- 参考スコア(独自算出の注目度): 3.4116927260734506
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Carbon fiber-reinforced composites (CFRC) are pivotal in advanced engineering applications due to their exceptional mechanical properties. A deep understanding of CFRC behavior under mechanical loading is essential for optimizing performance in demanding applications such as aerospace structures. While traditional Finite Element Method (FEM) simulations, including advanced techniques like Interface-enriched Generalized FEM (IGFEM), offer valuable insights, they can struggle with computational efficiency. Existing data-driven surrogate models partially address these challenges by predicting propagated damage or stress-strain behavior but fail to comprehensively capture the evolution of stress and damage throughout the entire deformation history, including crack initiation and propagation. This study proposes a novel auto-regressive composite U-Net deep learning model to simultaneously predict stress and damage fields during CFRC deformation. By leveraging the U-Net architecture's ability to capture spatial features and integrate macro- and micro-scale phenomena, the proposed model overcomes key limitations of prior approaches. The model achieves high accuracy in predicting evolution of stress and damage distribution within the microstructure of a CFRC under unidirectional strain, offering a speed-up of over 60 times compared to IGFEM.
- Abstract(参考訳): 炭素繊維強化複合材料(CFRC)は、その異常な機械的特性のため、高度な工学的応用において重要である。
機械的負荷下でのCFRC挙動の深い理解は、航空宇宙構造などの要求された応用における性能の最適化に不可欠である。
インタフェース強化一般化FEM(IGFEM)のような高度な技術を含む従来の有限要素法(FEM)シミュレーションは、貴重な洞察を提供するが、計算効率に苦しむことができる。
既存のデータ駆動サロゲートモデルは、伝播する損傷や応力-ひずみの挙動を予測することによって、これらの課題に部分的に対処するが、ひび割れの発生や伝播を含む変形履歴全体を通して、応力と損傷の進化を包括的に捉えることができない。
本研究では, CFRC変形時の応力場と損傷場を同時に予測する, 自己回帰型複合U-Netディープラーニングモデルを提案する。
U-Netアーキテクチャの空間的特徴を捉え、マクロ現象とマイクロ現象を統合する能力を活用することにより、提案モデルは従来のアプローチの重要な制限を克服する。
一方向ひずみ下でのCFRCの応力および損傷分布の進展を予測し,IGFEMと比較して60倍以上の速度向上を実現する。
関連論文リスト
- Model Hemorrhage and the Robustness Limits of Large Language Models [119.46442117681147]
大規模言語モデル(LLM)は、自然言語処理タスク全体で強力なパフォーマンスを示すが、デプロイメント用に修正された場合、大幅なパフォーマンス低下を経験する。
この現象をモデル出血(パラメータ変更とアーキテクチャ変更によるパフォーマンス低下)と定義する。
論文 参考訳(メタデータ) (2025-03-31T10:16:03Z) - C(NN)FD -- Deep Learning Modelling of Multi-Stage Axial Compressors Aerodynamics [0.0]
本稿では,多段軸圧縮機の流れ場および空力特性の予測のための一般化されたディープラーニングフレームワークの開発と応用について述べる。
物理に基づく次元の減少は、大規模領域のフロー場予測の可能性を解き、非構造化領域から構造化領域への回帰問題を再定式化する。
提案フレームワークは,0D/1D/2D/3Dレベルで対応する空力ドライバを識別できるため,物理的に説明可能な性能予測の利点を有する。
論文 参考訳(メタデータ) (2025-03-18T15:58:58Z) - 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) - Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
大規模なニューラルネットワークは予測タスクに優れるが、タンパク質工学や材料発見といった設計問題への応用には、オフラインモデルベース最適化(MBO)の問題を解決する必要がある。
機能的グラフィカルモデル(FGM)を用いてブラックボックス関数の構造を学習するトランスフォーマーベースのアーキテクチャであるCliqueformerを提案する。
化学および遺伝子設計タスクを含む様々な領域において、Cliqueformerは既存の方法よりも優れた性能を示している。
論文 参考訳(メタデータ) (2024-10-17T00:35:47Z) - Causal Context Adjustment Loss for Learned Image Compression [72.7300229848778]
近年,学習画像圧縮(lic)技術は,特にRD性能の点で従来の手法を上回りつつある。
現在の技術のほとんどは、自己回帰エントロピーモデルを備えたVAEベースで、デコードされた因果コンテキストを利用してRD性能を向上する。
本稿では,提案した因果文脈調整損失を用いて因果文脈を的確に調整する方法を初めて検討する。
論文 参考訳(メタデータ) (2024-10-07T09:08:32Z) - A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。
オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
論文 参考訳(メタデータ) (2023-11-13T01:48:08Z) - Use of Deep Neural Networks for Uncertain Stress Functions with
Extensions to Impact Mechanics [9.73713941604395]
本研究では、不確実性を捉えるために、量子回帰を伴う状態関数としてストレスをモデル化するためのディープニューラルネットワークアプローチを提案する。
これらのモデルを、微分方程式を用いて一軸衝撃力学に拡張し、ユースケースを実証し、この不確実性を考慮したストレス関数を実装するためのフレームワークを提供する。
論文 参考訳(メタデータ) (2023-11-03T00:12:24Z) - Deep learning modelling of manufacturing and build variations on multi-stage axial compressors aerodynamics [0.0]
本稿では,多段軸圧縮機の流れ場および空力特性予測のためのディープラーニングフレームワークの開発と応用について述べる。
物理に基づく次元還元アプローチは、流れ場予測の可能性を解き放つ。
提案したアーキテクチャは,産業関連アプリケーションに対して,CFDベンチマークに匹敵する精度をリアルタイムに達成できることが証明されている。
論文 参考訳(メタデータ) (2023-10-06T14:11:21Z) - A micromechanics-based recurrent neural networks model for
path-dependent cyclic deformation of short fiber composites [0.0]
本研究では, 短繊維強化複合材料の経路依存性弾塑性応力応答を予測するために, 繰り返し深部ニューラルネットワークモデルを訓練する。
このモデルは、独立したマイクロメカニカルシミュレーションと比較した場合、計算的に非常に正確な予測を与える。
論文 参考訳(メタデータ) (2022-09-27T12:14:15Z) - Efficient Micro-Structured Weight Unification and Pruning for Neural
Network Compression [56.83861738731913]
ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。
既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。
ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
論文 参考訳(メタデータ) (2021-06-15T17:22:59Z) - Predicting Mechanical Properties from Microstructure Images in
Fiber-reinforced Polymers using Convolutional Neural Networks [8.023452876968694]
本稿では,繊維強化ポリマー試料の2次元分割トモグラフィ画像の応力場予測のために,ScressNetから修正した完全畳み込みニューラルネットワークについて検討する。
トレーニングされたモデルは、通常のラップトップ上で1回のフォワードパスで数秒以内に予測を行うことができ、ハイパフォーマンスなコンピューティングクラスタ上で完全な有限要素シミュレーションを実行するのに92.5時間かかる。
論文 参考訳(メタデータ) (2020-10-07T22:15:48Z)
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。