論文の概要: Physics Augmented Machine Learning Discovery of Composition-Dependent Constitutive Laws for 3D Printed Digital Materials
- arxiv url: http://arxiv.org/abs/2507.02991v1
- Date: Tue, 01 Jul 2025 18:45:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-08 15:46:34.507277
- Title: Physics Augmented Machine Learning Discovery of Composition-Dependent Constitutive Laws for 3D Printed Digital Materials
- Title（参考訳）: 物理強化機械学習による3Dプリントデジタル材料の組成依存構成則の発見
- Authors: Steven Yang, Michal Levin, Govinda Anantha Padmanabha, Miriam Borshevsky, Ohad Cohen, D. Thomas Seidl, Reese E. Jones, Nikolaos Bouklas, Noy Cohen,
- Abstract要約: マルチマテリアル3Dプリンティング(特にポリマージェット)は、異なる光重合体をマイクロンスケールで1つのビルドで混合することにより、デジタル材料の製造を可能にする。
このことは、調整可能な一軸機械的張力ねじりに関する実験と計算の総合的な研究である。
提案モデルでは, 非線形, 速度依存的な3次元デジタル材料の挙動を正確に把握する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-material 3D printing, particularly through polymer jetting, enables the fabrication of digital materials by mixing distinct photopolymers at the micron scale within a single build to create a composite with tunable mechanical properties. This work presents an integrated experimental and computational investigation into the composition-dependent mechanical behavior of 3D printed digital materials. We experimentally characterize five formulations, combining soft and rigid UV-cured polymers under uniaxial tension and torsion across three strain and twist rates. The results reveal nonlinear and rate-dependent responses that strongly depend on composition. To model this behavior, we develop a physics-augmented neural network (PANN) that combines a partially input convex neural network (pICNN) for learning the composition-dependent hyperelastic strain energy function with a quasi-linear viscoelastic (QLV) formulation for time-dependent response. The pICNN ensures convexity with respect to strain invariants while allowing non-convex dependence on composition. To enhance interpretability, we apply $L_0$ sparsification. For the time-dependent response, we introduce a multilayer perceptron (MLP) to predict viscoelastic relaxation parameters from composition. The proposed model accurately captures the nonlinear, rate-dependent behavior of 3D printed digital materials in both uniaxial tension and torsion, achieving high predictive accuracy for interpolated material compositions. This approach provides a scalable framework for automated, composition-aware constitutive model discovery for multi-material 3D printing.
- Abstract（参考訳）: マルチマテリアル3Dプリンティング(特にポリマージェット)は、異なる光重合体を単一構造内でミクロンスケールで混合して、調整可能な機械的特性を持つ複合材料を製造することで、デジタル材料の製造を可能にする。
本研究は,3次元プリントデジタル材料の組成依存性の機械的挙動に関する実験と計算の総合的な研究である。
軟質と硬質のUV重合ポリマーを一軸引張力で結合し, ねじれ速度とねじれ速度でねじれ, 5種類の定式化を実験的に評価した。
その結果, 組成に強く依存する非線形応答と速度依存応答が明らかになった。
この挙動をモデル化するために、構成依存超弾性ひずみエネルギー関数を学習するための部分入力凸ニューラルネットワーク(pICNN)と時間依存応答のための準線形粘弾性(QLV)の定式化を組み合わせた物理拡張ニューラルネットワーク(PANN)を開発した。
pICNNは、ひずみ不変量に対する凸性を保証し、組成への非凸依存を許容する。
解釈可能性を高めるために、$L_0$スペーシフィケーションを適用する。
時間依存応答に対しては, 組成から粘弾性緩和パラメータを予測する多層パーセプトロン(MLP)を導入する。
提案モデルでは, 1軸張力とねじりの両面において3次元プリントされたディジタル材料の非線形, 速度依存性の挙動を正確に把握し, 補間材料組成の高精度な予測精度を実現する。
このアプローチは、多材料3Dプリンティングのための自動合成対応構成モデル発見のためのスケーラブルなフレームワークを提供する。
関連論文リスト
- MatDecompSDF: High-Fidelity 3D Shape and PBR Material Decomposition from Multi-View Images [20.219010684946888]
MatDecompSDFは、高忠実度3D形状を復元し、その物理的特性を多視点画像から分解するフレームワークである。
本手法は,標準のグラフィックスパイプラインにシームレスに統合可能な,編集可能で再生可能なアセットを生成する。
論文 参考訳（メタデータ） (2025-07-07T08:22:32Z) - PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。
この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。
また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
論文 参考訳（メタデータ） (2024-04-25T15:06:58Z) - Automated 3D Pre-Training for Molecular Property Prediction [54.15788181794094]
新たな3D事前学習フレームワーク(3D PGT)を提案する。
3D分子グラフのモデルを事前訓練し、3D構造のない分子グラフに微調整する。
提案した3次元PGTの精度, 効率, 一般化能力を示すために, 2次元分子グラフの大規模実験を行った。
論文 参考訳（メタデータ） (2023-06-13T14:43:13Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Deep neural operator for learning transient response of interpenetrating
phase composites subject to dynamic loading [5.5981980863047225]
有限要素解析(FEA)や、与えられた動的負荷に対するIPCの機械的応答をテストする実験を行うのに数時間あるいは数日かかる可能性がある。
我々は、動的負荷下でIPCの過渡応答を学習するために、ディープニューラル演算子(DNO)を用いる。
オフライントレーニングの後、DNOモデルは物理に基づくFAAの代理として機能し、過渡的な機械的応答を予測する。
論文 参考訳（メタデータ） (2023-03-30T05:23:10Z) - Deep learning for the rare-event rational design of 3D printed
multi-material mechanical metamaterials [0.0]
マルチマテリアル3Dプリンティング技術は、メタマテリアルの合理的設計の道を開いた。
ネットワークの結果として生じる異方性力学特性と,特に稀な設計について検討する。
ディープラーニングに基づくアルゴリズムは、異なる設計の機械的特性を正確に予測することができる。
論文 参考訳（メタデータ） (2022-04-04T18:04:23Z) - Dynamic fracture of a bicontinuously nanostructured copolymer: A deep
learning analysis of big-data-generating experiment [0.0]
両連続ナノ構造を有するポリウレアの動的破壊靭性および凝集パラメータを極端に高いクラック・リップ負荷速度で報告した。
ポリウレアの動的凝集パラメータは, 事前学習したCNNアーキテクチャにより初めて得られた。
論文 参考訳（メタデータ） (2021-12-03T15:31:59Z) - 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) - GeoMol: Torsional Geometric Generation of Molecular 3D Conformer
Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。
既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。
エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文 参考訳（メタデータ） (2021-06-08T14:17:59Z) - gradSim: Differentiable simulation for system identification and
visuomotor control [66.37288629125996]
本稿では,微分可能マルチフィジカルシミュレーションと微分可能レンダリングを活用し,3次元監督への依存を克服するフレームワークであるgradsimを提案する。
当社の統合グラフは、状態ベースの(3D)監督に頼ることなく、挑戦的なバイスモメータ制御タスクで学習を可能にします。
論文 参考訳（メタデータ） (2021-04-06T16:32:01Z)
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。