論文の概要: LaDEEP: A Deep Learning-based Surrogate Model for Large Deformation of Elastic-Plastic Solids

• arxiv url: http://arxiv.org/abs/2506.06001v1
• Date: Fri, 06 Jun 2025 11:47:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 17:28:43.451727
• Title: LaDEEP: A Deep Learning-based Surrogate Model for Large Deformation of Elastic-Plastic Solids
• Title（参考訳）: LaDEEP: 弾塑性固体の大変形のための深層学習に基づくサロゲートモデル
• Authors: Shilong Tao, Zhe Feng, Haonan Sun, Zhanxing Zhu, Yunhuai Liu,
• Abstract要約: 我々は,textbfElastic-textbfPlastic SolidsのtextbfLarge textbfDeformationのためのディープラーニングに基づく代理モデルであるLaDEEPを紹介する。 固体変形の物理的過程を特徴付けるため、2段トランスフォーマーベースのモジュールはトークン列を入力として変形を予測するように設計されている。 LaDEEPは有限要素法よりも5桁高速で、他のディープラーニングのベースラインと比べて平均20.47%向上している。
• 参考スコア（独自算出の注目度）: 21.697159152687288
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scientific computing for large deformation of elastic-plastic solids is critical for numerous real-world applications. Classical numerical solvers rely primarily on local discrete linear approximation and are constrained by an inherent trade-off between accuracy and efficiency. Recently, deep learning models have achieved impressive progress in solving the continuum mechanism. While previous models have explored various architectures and constructed coefficient-solution mappings, they are designed for general instances without considering specific problem properties and hard to accurately handle with complex elastic-plastic solids involving contact, loading and unloading. In this work, we take stretch bending, a popular metal fabrication technique, as our case study and introduce LaDEEP, a deep learning-based surrogate model for \textbf{La}rge \textbf{De}formation of \textbf{E}lastic-\textbf{P}lastic Solids. We encode the partitioned regions of the involved slender solids into a token sequence to maintain their essential order property. To characterize the physical process of the solid deformation, a two-stage Transformer-based module is designed to predict the deformation with the sequence of tokens as input. Empirically, LaDEEP achieves five magnitudes faster speed than finite element methods with a comparable accuracy, and gains 20.47\% relative improvement on average compared to other deep learning baselines. We have also deployed our model into a real-world industrial production system, and it has shown remarkable performance in both accuracy and efficiency.
• Abstract（参考訳）: 弾性塑性固体の大きな変形に対する科学計算は、多くの実世界の応用にとって重要である。 古典的数値解法は主に局所離散線型近似に依存し、精度と効率のトレードオフによって制約される。 近年、ディープラーニングモデルは連続的なメカニズムの解決において顕著な進歩を遂げている。 従来のモデルは様々なアーキテクチャを探索し、係数解法マッピングを構築してきたが、それらは特定の問題の性質を考慮せずに一般的なインスタンス向けに設計されており、接触、載荷、降着を含む複雑な弾性塑性固体を正確に扱うことは困難である。 本研究では, 一般的な金属加工技術であるストレッチ曲げを事例として, 深層学習に基づくラディープサーロゲートモデルであるLaDEEPを紹介した。 我々は、関連する細い固体の分割された領域をトークンシーケンスにエンコードし、それらの必須順序性を維持する。 固体変形の物理的過程を特徴付けるため、2段トランスフォーマーベースのモジュールはトークン列を入力として変形を予測するように設計されている。 経験的に、LaDEEPは有限要素法よりも5倍高速で、他のディープラーニングのベースラインと比べて平均20.47倍の相対的な改善を実現している。 また、我々のモデルを実世界の産業生産システムに展開し、精度と効率の両方において顕著な性能を示した。

関連論文リスト

• Paving the way for scientific foundation models: enhancing generalization and robustness in PDEs with constraint-aware pre-training [49.8035317670223]
  科学基盤モデル(SciFM)は、様々な領域にまたがる伝達可能な表現を学習するための有望なツールとして登場しつつある。 本稿では,PDE残差を単独の学習信号として,あるいはデータ損失と組み合わせて事前学習に組み込むことにより,限定的あるいは実用的でないトレーニングデータに補償することを提案する。 以上の結果から, PDE制約による事前学習は, 解データのみを訓練したモデルよりも, 一般化を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2025-03-24T19:12:39Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• A domain decomposition-based autoregressive deep learning model for unsteady and nonlinear partial differential equations [2.7755345520127936]
  非定常・非線形偏微分方程式(PDE)を正確にモデル化するためのドメイン分割型ディープラーニング(DL)フレームワークCoMLSimを提案する。 このフレームワークは、(a)畳み込みニューラルネットワーク(CNN)ベースのオートエンコーダアーキテクチャと(b)完全に接続された層で構成される自己回帰モデルという、2つの重要なコンポーネントで構成されている。
  論文  参考訳（メタデータ） (2024-08-26T17:50:47Z)
• Hybrid data-driven and physics-informed regularized learning of cyclic plasticity with Neural Networks [0.0]
  提案したモデルアーキテクチャは、既存の文献のソリューションに比べてシンプルで効率的である。 この手法の検証はアームストロング・フレデリックのキネマティック・ハードニング・モデルを用いて得られたサロゲートデータを用いて行う。
  論文  参考訳（メタデータ） (2024-03-04T07:09:54Z)
• Transolver: A Fast Transformer Solver for PDEs on General Geometries [66.82060415622871]
  本稿では, 離散化された測地の背後に隠れた本質的な物理状態を学習するTransolverについて述べる。 スライスから符号化された物理認識トークンに注意を向けることで、Transovlerは複雑な物理的相関を効果的に捉えることができる。 Transolverは6つの標準ベンチマークで22%の相対的な利得で一貫した最先端を実現し、大規模産業シミュレーションでも優れている。
  論文  参考訳（メタデータ） (2024-02-04T06:37:38Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Meshless physics-informed deep learning method for three-dimensional solid mechanics [0.0]
  深層学習とコロケーション法は統合され、構造の変形を記述する偏微分方程式を解くために用いられる。 我々は, 線形弾性, 変形が大きい過弾性(ネオ・フーカン), 等方的およびキネマティック硬化を有するフォン・ミーゼス塑性の2種類の材料について検討した。
  論文  参考訳（メタデータ） (2020-12-02T21:40:37Z)

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。