論文の概要: Crack Path Prediction with Operator Learning using Discrete Particle System data Generation

• arxiv url: http://arxiv.org/abs/2506.01976v1
• Date: Thu, 15 May 2025 23:25:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-08 12:40:08.649008
• Title: Crack Path Prediction with Operator Learning using Discrete Particle System data Generation
• Title（参考訳）: 離散粒子系データ生成を用いた演算子学習によるき裂経路予測
• Authors: Elham Kiyani, Venkatesh Ananchaperumal, Ahmad Peyvan, Mahendaran Uchimali, Gang Li, George Em Karniadakis,
• Abstract要約: 我々は、演算子学習モデル、特にDeep Operator Networks(DeepONets)の訓練に構成インフォームド・パーティクル・ダイナミクス(CPD)シミュレーションを使用する。 バニラとFusion DeepONetという2種類のDeepONetの変種を探索し、様々な地形を持つ標本において、時間的に進化する亀裂の伝播を予測する。 その結果、Fusion DeepONetはバニラ変種より一貫して優れており、特に非破壊ケースではより正確な予測が可能であることがわかった。
• 参考スコア（独自算出の注目度）: 4.5807985589357445
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurately modeling crack propagation is critical for predicting failure in engineering materials and structures, where small cracks can rapidly evolve and cause catastrophic damage. The interaction of cracks with discontinuities, such as holes, significantly affects crack deflection and arrest. Recent developments in discrete particle systems with multibody interactions based on constitutive behavior have demonstrated the ability to capture crack nucleation and evolution without relying on continuum assumptions. In this work, we use data from Constitutively Informed Particle Dynamics (CPD) simulations to train operator learning models, specifically Deep Operator Networks (DeepONets), which learn mappings between function spaces instead of finite-dimensional vectors. We explore two DeepONet variants: vanilla and Fusion DeepONet, for predicting time-evolving crack propagation in specimens with varying geometries. Three representative cases are studied: (i) varying notch height without active fracture; and (ii) and (iii) combinations of notch height and hole radius where dynamic fracture occurs on irregular discrete meshes. The models are trained on 32 to 45 samples, using geometric inputs in the branch network and spatial-temporal coordinates in the trunk network. Results show that Fusion DeepONet consistently outperforms the vanilla variant, with more accurate predictions especially in non-fracturing cases. Fracture-driven scenarios involving displacement and crack evolution remain more challenging. These findings highlight the potential of Fusion DeepONet to generalize across complex, geometry-varying, and time-dependent crack propagation phenomena.
• Abstract（参考訳）: き裂伝播の正確なモデル化は、小さなき裂が急速に進展し破砕損傷を引き起こす工学材料や構造物の故障を予測するために重要である。 ひび割れと穴などの不連続性との相互作用はひび割れのひび割れや逮捕に大きな影響を及ぼす。 構成的挙動に基づく多体相互作用を持つ離散粒子系の最近の発展は、連続体仮定に頼らずに亀裂核形成と進化を捉える能力を示している。 本研究では,有限次元ベクトルの代わりに関数空間間の写像を学習するDeep Operator Networks (DeepONets) を演算子学習モデルとして,構成インフォームド・パーティクル・ダイナミクス (CPD) シミュレーションを用いて学習する。 バニラとFusion DeepONetという2種類のDeepONetの変種を探索し、様々な地形を持つ標本において、時間的に進化する亀裂の伝播を予測する。 3つの代表的な事例が研究されている。 一 活力のある骨折のない切欠きの高さ (ii)および (3)不規則な離散メッシュ上で動的破壊が起こる切欠き高さと穴半径の組み合わせ。 モデルは32から45のサンプルでトレーニングされ、分岐ネットワークの幾何学的入力とトランクネットワークの時空間座標を用いて訓練される。 その結果、Fusion DeepONetはバニラ変種より一貫して優れており、特に非破壊ケースではより正確な予測が可能であることがわかった。 変位とひび割れの進化を含むフラクチャー駆動のシナリオは、より困難なままである。 これらの知見は、Fusion DeepONetが複雑な、幾何学的に変化し、時間に依存した亀裂伝播現象を一般化する可能性を示している。

関連論文リスト

• Structural-Temporal Coupling Anomaly Detection with Dynamic Graph Transformer [41.16574023720132]
  動的グラフトランスモデルを用いた構造・時間結合異常検出アーキテクチャを提案する。 具体的には、2つの統合レベルから構造的特徴と時間的特徴を導入し、異常を意識したグラフの進化パターンを提供する。
  論文  参考訳（メタデータ） (2025-05-13T08:10:41Z)
• Predicting Crack Nucleation and Propagation in Brittle Materials Using Deep Operator Networks with Diverse Trunk Architectures [1.5728609542259502]
  我々は分岐ネットワークとトランクネットワークからなるディープニューラル演算子(DeepONet)を用いて脆性破壊問題を解決する。 最初のアプローチでは,2段階のDeepONetの有効性を示す。 第2のアプローチでは、物理インフォームドされたDeepONetを用いて、エネルギーの数学的表現をトランクネットワークの損失に統合し、物理的一貫性を強制する。 第3のアプローチでは、トランク内のニューラルネットワークをコルモゴロフ・アルノルドネットワークに置き換え、物理損失なしにトレーニングする。
  論文  参考訳（メタデータ） (2024-12-15T02:50:30Z)
• A spatiotemporal deep learning framework for prediction of crack dynamics in heterogeneous solids: efficient mapping of concrete microstructures to its fracture properties [0.0]
  深層学習フレームワークは, コンクリートメソ構造中のフラクチャーの2次元フルフィールド予測を行うことができる。 メソ構造の平均応力-ひずみ曲線を予測できる畳み込みニューラルネットワークを開発した。 UNetモデリングフレームワークは、スキップ接続を持つエンコーダ-デコーダセクションで構成され、ディープラーニングサロゲートモデルとして使用される。
  論文  参考訳（メタデータ） (2024-07-22T14:28:46Z)
• Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
  多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。 構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。 この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
  論文  参考訳（メタデータ） (2023-09-02T01:27:53Z)
• Multi-scale Feature Learning Dynamics: Insights for Double Descent [71.91871020059857]
  一般化誤差の「二重降下」現象について検討する。 二重降下は、異なるスケールで学習される異なる特徴に起因する可能性がある。
  論文  参考訳（メタデータ） (2021-12-06T18:17:08Z)
• A physics-informed variational DeepONet for predicting the crack path in brittle materials [3.1196544696082613]
  脆性破壊解析のための物理インフォームによるDeepONet(V-DeepONet)の変分定式化を提案する。 V-DeepONetは、欠陥の初期設定を関連する関心領域にマッピングするように訓練されている。 脆性破壊の2つのベンチマークによるV-DeepOnetの有効性を実証し,その精度を高忠実度解析器を用いて検証した。
  論文  参考訳（メタデータ） (2021-08-16T05:31:05Z)
• Neural-Swarm2: Planning and Control of Heterogeneous Multirotor Swarms using Learned Interactions [38.881310154473205]
  本稿では,群れ内の異種マルチロータを安全に近接飛行させる運動計画・制御のための学習ベース手法であるneural-swarm2を提案する。 本手法は,物理学に基づく名目ダイナミクスモデルと学習型深層ニューラルネットワーク(dnns)と強いリプシッツ特性を組み合わせたものである。
  論文  参考訳（メタデータ） (2020-12-10T05:08:31Z)
• Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
  本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。 我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
  論文  参考訳（メタデータ） (2020-12-03T10:17:30Z)
• Semiparametric Bayesian Forecasting of Spatial Earthquake Occurrences [77.68028443709338]
  本稿では, Epidemic Type Aftershock Sequence (ETAS) モデルのベイズ的完全定式化を提案する。 地理的領域における主震の発生は不均一な空間的点過程に従うと仮定される。
  論文  参考訳（メタデータ） (2020-02-05T10:11:26Z)

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。