論文の概要: Global Stress Generation and Spatiotemporal Super-Resolution Physics-Informed Operator under Dynamic Loading for Two-Phase Random Materials

• arxiv url: http://arxiv.org/abs/2505.01438v1
• Date: Sat, 26 Apr 2025 08:37:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.10064
• Title: Global Stress Generation and Spatiotemporal Super-Resolution Physics-Informed Operator under Dynamic Loading for Two-Phase Random Materials
• Title（参考訳）: 2相ランダム材料の動的負荷下における大域的応力発生と時空間超解法物理インフォームド演算子
• Authors: Tengfei Xing, Xiaodan Ren, Jie Li,
• Abstract要約: 動的荷重下では、ランダム材料における材料破壊は、しばしば応力集中と関連している。 本研究では,動的負荷下でのTRMにおける大域的応力発生と超時間分解能の枠組みを提案する。 データ駆動・物理インフォームド損失関数の重み付けがモデル精度に及ぼす影響を詳細に検討した。
• 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: Material stress analysis is a critical aspect of material design and performance optimization. Under dynamic loading, the global stress evolution in materials exhibits complex spatiotemporal characteristics, especially in two-phase random materials (TRMs). Such kind of material failure is often associated with stress concentration, and the phase boundaries are key locations where stress concentration occurs. In practical engineering applications, the spatiotemporal resolution of acquired microstructural data and its dynamic stress evolution is often limited. This poses challenges for deep learning methods in generating high-resolution spatiotemporal stress fields, particularly for accurately capturing stress concentration regions. In this study, we propose a framework for global stress generation and spatiotemporal super-resolution in TRMs under dynamic loading. First, we introduce a diffusion model-based approach, named as Spatiotemporal Stress Diffusion (STS-diffusion), for generating global spatiotemporal stress data. This framework incorporates Space-Time U-Net (STU-net), and we systematically investigate the impact of different attention positions on model accuracy. Next, we develop a physics-informed network for spatiotemporal super-resolution, termed as Spatiotemporal Super-Resolution Physics-Informed Operator (ST-SRPINN). The proposed ST-SRPINN is an unsupervised learning method. The influence of data-driven and physics-informed loss function weights on model accuracy is explored in detail. Benefiting from physics-based constraints, ST-SRPINN requires only low-resolution stress field data during training and can upscale the spatiotemporal resolution of stress fields to arbitrary magnifications.
• Abstract（参考訳）: 材料応力解析は材料設計と性能最適化の重要な側面である。 動的荷重下では、材料の大域的応力進化は、特に二相ランダム材料(TRM)において複雑な時空間特性を示す。 このような物質破壊は、しばしば応力集中と関連付けられ、相境界は応力集中が起こる鍵となる場所である。 実用工学の応用では、取得したミクロ構造データの時空間分解とその動的応力進化が制限されることが多い。 このことは、特に応力集中領域を正確に捉えるために、高分解能の時空間応力場を生成するためのディープラーニング手法の課題を提起する。 本研究では,動的負荷下でのTRMにおける大域的応力発生と時空間超解像の枠組みを提案する。 まず,グローバルな時空間応力データを生成するために,時空間応力拡散 (STS-diffusion) と呼ばれる拡散モデルに基づく手法を提案する。 本フレームワークは,空間時間U-Net(STU-net)を導入し,異なる注意位置がモデル精度に与える影響を系統的に検討する。 次に、時空間超解像演算子(ST-SRPINN)と呼ばれる時空間超解像のための物理インフォームドネットワークを開発する。 提案するST-SRPINNは教師なし学習手法である。 データ駆動・物理インフォームド損失関数の重み付けがモデル精度に及ぼす影響を詳細に検討した。 物理に基づく制約により、ST-SRPINNはトレーニング中の低分解能応力場データのみを必要とし、応力場の時空間分解能を任意の倍率にアップスケールすることができる。

関連論文リスト

• Predicting Stress in Two-phase Random Materials and Super-Resolution Method for Stress Images by Embedding Physical Information [4.696265806758292]
  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。
  論文  参考訳（メタデータ） (2025-04-26T08:42:06Z)
• Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
  本稿では,保護インフォームドGNN(CiGNN)について紹介する。 このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。 結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
  論文  参考訳（メタデータ） (2024-12-30T13:55:59Z)
• 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-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
  大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。 ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。 本稿では,物理統合復元ネットワーク(PiRN)を提案する。
  論文  参考訳（メタデータ） (2023-07-20T05:49:21Z)
• 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)
• 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)
• Physics-Coupled Spatio-Temporal Active Learning for Dynamical Systems [15.923190628643681]
  主な課題の1つは、認識されたデータストリームを生成する根本原因を推測することである。 機械学習ベースの予測モデルの成功は、モデルトレーニングに大量の注釈付きデータを必要とする。 提案するST-PCNNは, 実世界のデータセットと実世界のデータセットの両方において, 極めて少ないインスタンスで最適精度に収束することを示した。
  論文  参考訳（メタデータ） (2021-08-11T18:05:55Z)
• 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)

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。