論文の概要: Neural Co-Optimization of Structural Topology, Manufacturable Layers, and Path Orientations for Fiber-Reinforced Composites

• arxiv url: http://arxiv.org/abs/2505.03779v1
• Date: Wed, 30 Apr 2025 11:52:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-08 19:07:35.796779
• Title: Neural Co-Optimization of Structural Topology, Manufacturable Layers, and Path Orientations for Fiber-Reinforced Composites
• Title（参考訳）: 繊維強化複合材料の構造トポロジー, 製造性層, 経路配向のニューラルコモミゼーション
• Authors: Tao Liu, Tianyu Zhang, Yongxue Chen, Weiming Wang, Yu Jiang, Yuming Huang, Charlie C. L. Wang,
• Abstract要約: 本稿では,構造トポロジ,曲面層,経路配向の同時最適化のためのニューラルネットワークに基づく計算フレームワークを提案する。 我々のフレームワークは、幾何学的形状、層配列、繊維配向を表すために、3つの暗黙のニューラルネットワークを使用している。 これらの目的を損失関数として組み込むことで、結果として得られる複合材料が最適化された機械的強度を示すことが保証される。
• 参考スコア（独自算出の注目度）: 20.534094054890126
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a neural network-based computational framework for the simultaneous optimization of structural topology, curved layers, and path orientations to achieve strong anisotropic strength in fiber-reinforced thermoplastic composites while ensuring manufacturability. Our framework employs three implicit neural fields to represent geometric shape, layer sequence, and fiber orientation. This enables the direct formulation of both design and manufacturability objectives - such as anisotropic strength, structural volume, machine motion control, layer curvature, and layer thickness - into an integrated and differentiable optimization process. By incorporating these objectives as loss functions, the framework ensures that the resultant composites exhibit optimized mechanical strength while remaining its manufacturability for filament-based multi-axis 3D printing across diverse hardware platforms. Physical experiments demonstrate that the composites generated by our co-optimization method can achieve an improvement of up to 33.1% in failure loads compared to composites with sequentially optimized structures and manufacturing sequences.
• Abstract（参考訳）: 本研究では, 繊維強化熱可塑性複合材料において, 構造トポロジー, 湾曲層, 経路配向の同時最適化のためのニューラルネットワーク計算フレームワークを提案する。 我々のフレームワークは、幾何学的形状、層配列、繊維配向を表すために、3つの暗黙のニューラルネットワークを使用している。 これにより、異方性強度、構造体積、機械運動制御、層曲率、層厚といった設計と製造可能性の両方の目的を、統合的で微分可能な最適化プロセスに直接的な定式化が可能である。 これらの目的を損失関数として組み込むことにより、様々なハードウェアプラットフォームにまたがるフィラメントベースの多軸3Dプリンティングのための製造性を保ちながら、結果として得られる複合材料が最適化された機械的強度を示すことが保証される。 物理実験により, 共同最適化法により生成した複合材料は, 逐次最適化された構造と製造シーケンスを有する複合材料と比較して, 最大33.1%の故障負荷の改善を達成できることが示された。

関連論文リスト

• Efficient Design of Compliant Mechanisms Using Multi-Objective Optimization [50.24983453990065]
  そこで本研究では,大きな角状脳卒中を許容できる適合型クロスヒンジ機構の合成について述べる。 キネトスタティックな性能測定に基づいて,多目的最適化問題を定式化する。
  論文  参考訳（メタデータ） (2025-04-23T06:29:10Z)
• 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)
• DPLM-2: A Multimodal Diffusion Protein Language Model [75.98083311705182]
  DPLM-2は, 離散拡散タンパク質言語モデル(DPLM)を拡張し, 配列と構造の両方に適合する多モーダルタンパク質基盤モデルである。 DPLM-2は、配列と構造、およびその限界と条件の結合分布を学習する。 実験によりDPLM-2は高度に互換性のあるアミノ酸配列とそれに対応する3D構造を同時に生成できることが示された。
  論文  参考訳（メタデータ） (2024-10-17T17:20:24Z)
• AniSDF: Fused-Granularity Neural Surfaces with Anisotropic Encoding for High-Fidelity 3D Reconstruction [55.69271635843385]
  AniSDF(AniSDF)は,高忠実度3次元再構成のための物理に基づく符号化による融合粒度ニューラルサーフェスを学習する新しいアプローチである。 本手法は, 幾何再構成と新規ビュー合成の両面において, SDF法の品質を飛躍的に向上させる。
  論文  参考訳（メタデータ） (2024-10-02T03:10:38Z)
• 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)
• Equivariant graph convolutional neural networks for the representation of homogenized anisotropic microstructural mechanical response [1.283555556182245]
  異なるミクロ構造材料対称性を持つ複合材料は、工学的応用において一般的である。 異方性成分を持つ材料の効果的な均質化モデルを提供するニューラルネットワークアーキテクチャを提供する。
  論文  参考訳（メタデータ） (2024-04-05T14:49:01Z)
• Physics-Constrained Neural Network for Design and Feature-Based Optimization of Weave Architectures [0.6144680854063939]
  本稿では,新しい物理制約ニューラルネットワーク(PCNN)を提案する。 提案したPCNNは,提案した基準モデルよりも高い精度で,所望の弾性率の織り込みを効果的に予測できることを示す。
  論文  参考訳（メタデータ） (2022-09-19T16:16:45Z)
• 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)

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。