論文の概要: Physics-informed neural network for fatigue life prediction of irradiated austenitic and ferritic/martensitic steels
- arxiv url: http://arxiv.org/abs/2508.17303v1
- Date: Sun, 24 Aug 2025 11:09:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-26 18:43:45.456552
- Title: Physics-informed neural network for fatigue life prediction of irradiated austenitic and ferritic/martensitic steels
- Title（参考訳）: オーステナイトおよびフェライト/マルテンサイト鋼の疲労寿命予測のための物理インフォームニューラルネットワーク
- Authors: Dhiraj S Kori, Abhinav Chandraker, Syed Abdur Rahman, Punit Rathore, Ankur Chauhan,
- Abstract要約: 本研究では, 原子炉で使用されるオーステナイトおよびフェライト/マルテンサイト(F/M)鋼の低サイクル疲労(LCF)寿命を予測するための物理インフォームドニューラルネットワーク(PINN)フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 24.858456200435384
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study proposes a Physics-Informed Neural Network (PINN) framework to predict the low-cycle fatigue (LCF) life of irradiated austenitic and ferritic/martensitic (F/M) steels used in nuclear reactors. These materials experience cyclic loading and irradiation at elevated temperatures, causing complex degradation that traditional empirical models fail to capture accurately. The developed PINN model incorporates physical fatigue life constraints into its loss function, improving prediction accuracy and generalizability. Trained on 495 data points, including both irradiated and unirradiated conditions, the model outperforms traditional machine learning models like Random Forest, Gradient Boosting, eXtreme Gradient Boosting, and the conventional Neural Network. SHapley Additive exPlanations analysis identifies strain amplitude, irradiation dose, and testing temperature as dominant features, each inversely correlated with fatigue life, consistent with physical understanding. PINN captures saturation behaviour in fatigue life at higher strain amplitudes in F/M steels. Overall, the PINN framework offers a reliable and interpretable approach for predicting fatigue life in irradiated alloys, enabling informed alloy selection.
- Abstract（参考訳）: 本研究では, 原子炉で使用されるオーステナイトおよびフェライト/マルテンサイト(F/M)鋼の低サイクル疲労(LCF)寿命を予測するための物理インフォームドニューラルネットワーク(PINN)フレームワークを提案する。
これらの材料は高温での循環荷重と照射を経験し、従来の経験的モデルでは正確に捉えられなかった複雑な劣化を引き起こした。
開発したPINNモデルは、物理的疲労寿命制約を損失関数に組み込み、予測精度と一般化性を向上させる。
照射された条件と照射されていない条件の両方を含む495のデータポイントでトレーニングされたこのモデルは、ランダムフォレスト、グラディエント・ブースティング、eXtreme Gradient Boosting、および従来のニューラルネットワークといった従来の機械学習モデルより優れている。
SHapley Additive exPlanations 分析により, ひずみ振幅, 照射線量, 試験温度が主成分であり, それぞれが疲労寿命と逆相関し, 物理的理解と一致していることがわかった。
PINNはF/M鋼の高ひずみ振幅での疲労寿命の飽和挙動を捉えている。
全体として、PINNフレームワークは、照射された合金の疲労寿命を予測するための信頼性と解釈可能なアプローチを提供する。
関連論文リスト
- Modeling Membrane Degradation in PEM Electrolyzers with Physics-Informed Neural Networks [45.32169712547367]
プロトン交換膜 (PEM) 電解器は持続可能な水素製造に重要である。
長期的な性能は膜劣化によって妨げられ、信頼性と安全性の課題を引き起こす。
従来の物理学に基づくモデルが開発され、解釈可能性を提供しているが、測定や校正が難しい多くのパラメータを必要とする。
本研究では,PEM電解器の膜劣化をモデル化するための物理インフォームドニューラルネットワーク(PINN)の最初の応用について述べる。
論文 参考訳（メタデータ） (2025-06-19T15:46:49Z) - Physics-Informed Residual Neural Ordinary Differential Equations for Enhanced Tropical Cyclone Intensity Forecasting [10.68223611630852]
本研究では,熱帯性サイクロンの強度変化を正確に予測するための物理インフォームド残差正規微分方程式モデルを提案する。
PIR-NODEモデルは,従来の統計モデルやベンチマークディープラーニング手法と比較して,24時間強度予測精度を大幅に向上させる。
本研究では、PIR-NODEモデルアーキテクチャ、物理インフォームド統合戦略、総合的な実験的検証について詳述する。
論文 参考訳（メタデータ） (2025-03-09T04:23:07Z) - Physics-based machine learning for fatigue lifetime prediction under non-uniform loading scenarios [0.0]
この研究は、材料の疲労寿命を予測する物理ベースの機械学習(phi$ML)の可能性を強調した。
物理的にベースとした異方性連続体損傷疲労モデルにより生成された数値シミュレーションを用いて訓練する。
提案手法は、純粋にデータ駆動型ニューラルネットワークよりも精度が高い。
論文 参考訳（メタデータ） (2025-03-07T13:45:06Z) - Spatial Reasoning with Denoising Models [49.83744014336816]
本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。
初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。
これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
論文 参考訳（メタデータ） (2025-02-28T14:08:30Z) - Predictive Modeling and Uncertainty Quantification of Fatigue Life in Metal Alloys using Machine Learning [39.58317527488534]
本研究では, 金属材料の疲労寿命予測における定量化の不確実性について紹介する。
提案手法は,バスキーンの疲労モデルを用いて推定した物理式に基づく入力特徴を用いる。
物理モデルとデータ駆動モデルとの相乗効果により、予測値の一貫性が向上する。
論文 参考訳（メタデータ） (2025-01-25T03:43:19Z) - Enhanced Spatiotemporal Prediction Using Physical-guided And Frequency-enhanced Recurrent Neural Networks [17.91230192726962]
本稿では,時空間力学を推定する物理誘導型ニューラルネットワークを提案する。
また、物理状態をより正確にモデル化するための物理制約付き適応二階ルンゲ・クッタ法を提案する。
我々のモデルは最先端の手法より優れ、より少ないパラメータ数でデータセットで最高の性能を発揮する。
論文 参考訳（メタデータ） (2024-05-23T12:39:49Z) - A Neural PDE Solver with Temporal Stencil Modeling [44.97241931708181]
最近の機械学習(ML)モデルでは、高解像度信号において重要なダイナミクスを捉えることが約束されている。
この研究は、低解像度のダウンサンプリング機能で重要な情報が失われることがしばしばあることを示している。
本稿では,高度な時系列シーケンスモデリングと最先端のニューラルPDEソルバの強みを組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2023-02-16T06:13:01Z) - How Tempering Fixes Data Augmentation in Bayesian Neural Networks [22.188535244056016]
テンパリングは、拡張のモデリングから生じる誤特定を暗黙的に減らし、すなわちデータとして示す。
温度は有効サンプルサイズの役割を模倣し、増強によって提供される情報の利得を反映している。
論文 参考訳（メタデータ） (2022-05-27T11:06:56Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳（メタデータ） (2022-04-20T17:28:08Z) - STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。
stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。
我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文 参考訳（メタデータ） (2020-12-08T21:21:47Z)
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。