論文の概要: Predicting Stress in Two-phase Random Materials and Super-Resolution Method for Stress Images by Embedding Physical Information

• arxiv url: http://arxiv.org/abs/2504.18854v1
• Date: Sat, 26 Apr 2025 08:42:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.018564
• Title: Predicting Stress in Two-phase Random Materials and Super-Resolution Method for Stress Images by Embedding Physical Information
• Title（参考訳）: 2相ランダム材料の応力予測と物理情報埋め込みによる応力画像の超解法
• Authors: Tengfei Xing, Xiaodan Ren, Jie Li,
• Abstract要約: 実用工学では,得られた材料の微細構造像の画素数が限られている。 既存の画像超解法(ISR)技術はすべて、データ駆動型教師あり学習に基づいている。 本研究では,TRMの応力予測フレームワークを構築した。
• 参考スコア（独自算出の注目度）: 4.696265806758292
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Stress analysis is an important part of material design. For materials with complex microstructures, such as two-phase random materials (TRMs), material failure is often accompanied by stress concentration. Phase interfaces in two-phase materials are critical for stress concentration. Therefore, the prediction error of stress at phase boundaries is crucial. In practical engineering, the pixels of the obtained material microstructure images are limited, which limits the resolution of stress images generated by deep learning methods, making it difficult to observe stress concentration regions. Existing Image Super-Resolution (ISR) technologies are all based on data-driven supervised learning. However, stress images have natural physical constraints, which provide new ideas for new ISR technologies. In this study, we constructed a stress prediction framework for TRMs. First, the framework uses a proposed Multiple Compositions U-net (MC U-net) to predict stress in low-resolution material microstructures. By considering the phase interface information of the microstructure, the MC U-net effectively reduces the problem of excessive prediction errors at phase boundaries. Secondly, a Mixed Physics-Informed Neural Network (MPINN) based method for stress ISR (SRPINN) was proposed. By introducing the constraints of physical information, the new method does not require paired stress images for training and can increase the resolution of stress images to any multiple. This enables a multiscale analysis of the stress concentration regions at phase boundaries. Finally, we performed stress analysis on TRMs with different phase volume fractions and loading states through transfer learning. The results show the proposed stress prediction framework has satisfactory accuracy and generalization ability.
• Abstract（参考訳）: 応力解析は材料設計の重要な部分である。 2相ランダム材料(TRMs)のような複雑なミクロ構造を持つ材料では、材料破壊はしばしば応力集中を伴う。 二相材料の相界面は応力集中に重要である。 したがって, 位相境界における応力の予測誤差は極めて重要である。 実用工学では, 得られた材料の微細構造像の画素数が限られており, 深層学習法により生成された応力像の解像度が制限されるため, 応力集中領域の観察が困難である。 既存の画像超解法(ISR)技術はすべて、データ駆動型教師あり学習に基づいている。 しかし、ストレス画像には自然の物理的制約があり、新しいISR技術のための新しいアイデアを提供する。 本研究では,TRMの応力予測フレームワークを構築した。 まず,低分解能材料ミクロ組織における応力を予測するために,提案するMultiple Compositions U-net (MC U-net) を用いた。 MC U-netは、マイクロ構造の位相界面情報を考慮することにより、位相境界における過大な予測誤差の問題を効果的に低減する。 次に,Mixed Physics-Informed Neural Network (MPINN) を用いたストレスIDR (SRPINN) 法を提案する。 物理情報の制約を導入することで、新しい手法では、トレーニングにペアのストレス画像は必要とせず、ストレス画像の解像度を任意の複数に増やすことができる。 これにより、位相境界における応力集中領域のマルチスケール解析が可能となる。 最後に, 位相体積の異なるTRMの応力解析を行い, 転送学習による負荷状態について検討した。 その結果,提案する応力予測フレームワークの精度と一般化能力は良好であった。

関連論文リスト

• CALLIC: Content Adaptive Learning for Lossless Image Compression [64.47244912937204]
  CALLICは、学習したロスレス画像圧縮のための新しい最先端(SOTA)を設定する。 本稿では,畳み込みゲーティング操作を利用したコンテンツ認識型自己回帰自己保持機構を提案する。 エンコーディング中、低ランク行列を用いて深度の畳み込みを含む事前学習層を分解し、レート誘導プログレッシブファインタニング(RPFT)による画像検査にインクリメンタルウェイトを適応させる。 推定エントロピーにより下位順にソートされたパッチを徐々に増加させたRPFTファインチューン,学習過程の最適化,適応時間の短縮を実現した。
  論文  参考訳（メタデータ） (2024-12-23T10:41:18Z)
• Hipandas: Hyperspectral Image Joint Denoising and Super-Resolution by Image Fusion with the Panchromatic Image [51.333064033152304]
  最近打ち上げられた衛星は、HSIとパンクロマティック(PAN)画像の同時取得が可能になった。 Hipandasは、ノイズの多い低分解能HSIと高分解能PAN画像からHRHS画像を再構成する新しい学習パラダイムである。
  論文  参考訳（メタデータ） (2024-12-05T14:39:29Z)
• 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)
• Timestep-Aware Diffusion Model for Extreme Image Rescaling [47.89362819768323]
  本稿では,時間認識拡散モデル(TADM)と呼ばれる,画像再スケーリングのための新しいフレームワークを提案する。 TADMは、事前訓練されたオートエンコーダの潜在空間で再スケーリング操作を行う。 これは、事前訓練されたテキスト・ツー・イメージ拡散モデルによって学習された強力な自然画像の先行を効果的に活用する。
  論文  参考訳（メタデータ） (2024-08-17T09:51:42Z)
• 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)
• Physics Embedded Machine Learning for Electromagnetic Data Imaging [83.27424953663986]
  電磁法(EM)イメージングは、セキュリティ、バイオメディシン、地球物理学、各種産業のセンシングに広く応用されている。 機械学習(ML)技術,特に深層学習(DL)技術は,高速かつ正確な画像化の可能性を秘めている。 本稿では、学習に基づくEMイメージングに物理を取り入れる様々なスキームについて検討する。
  論文  参考訳（メタデータ） (2022-07-26T02:10:15Z)
• Stress field prediction in fiber-reinforced composite materials using a deep learning approach [0.0]
  有限要素法 (FEM) は, 複合材料系の応力解析を行う標準的な手法である。 本研究では繊維強化複合材料システムについて考察する。 我々は、深層学習ツールを用いて、応力場予測のためのFEMアプローチの代替品を見つける。
  論文  参考訳（メタデータ） (2021-11-01T01:52:27Z)
• Physics informed neural networks for continuum micromechanics [68.8204255655161]
  近年,応用数学や工学における多種多様な問題に対して,物理情報ニューラルネットワークの適用が成功している。 グローバルな近似のため、物理情報ニューラルネットワークは、最適化によって局所的な効果と強い非線形解を表示するのに困難である。 実世界の$mu$CT-Scansから得られた不均一構造における非線形応力, 変位, エネルギー場を, 正確に解くことができる。
  論文  参考訳（メタデータ） (2021-10-14T14:05:19Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)
• StressNet: Deep Learning to Predict Stress With Fracture Propagation in Brittle Materials [6.245804384813862]
  脆性材料の破砕は、しばしば内部応力の強い亀裂の急激な成長と合体によるものである。 フラクチャー伝播と初期応力データに基づく最大内部応力列全体を予測するために「応力ネット」を提案する。 提案モデルでは,最大内部応力の高精度なマルチステップ予測を約20秒で計算できる。
  論文  参考訳（メタデータ） (2020-11-20T05:49:12Z)
• Difference-Based Deep Learning Framework for Stress Predictions in Heterogeneous Media [0.0]
  我々は、Deep Learningを利用して、異種メディアにおけるストレス分布を決定するために、新しい差分ベースニューラルネットワーク(DiNN)フレームワークを開発する。 我々は,異種メディアの予測精度を向上させるために,異なる入力サンプル間の応力分布の違いを強調することに重点を置いている。 その結果、DNN構造は既存の構造に比べてストレス予測の精度を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2020-07-01T00:18:14Z)
• StressGAN: A Generative Deep Learning Model for 2D Stress Distribution Prediction [0.27998963147546135]
  固体構造における2D von Mises応力分布を予測するための条件生成逆ネットワーク(cGAN)モデルを提案する。 我々は,ベースライン畳み込みニューラルネットワークモデルよりも高精度な応力分布を予測できることを実証した。
  論文  参考訳（メタデータ） (2020-05-30T00:28:21Z)

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。