論文の概要: A physics-aware deep learning model for shear band formation around collapsing pores in shocked reactive materials

• arxiv url: http://arxiv.org/abs/2510.09670v1
• Date: Wed, 08 Oct 2025 14:20:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:29.542758
• Title: A physics-aware deep learning model for shear band formation around collapsing pores in shocked reactive materials
• Title（参考訳）: 衝撃応答材料中の崩壊孔まわりのせん断帯形成に関する物理認識深層学習モデル
• Authors: Xinlun Cheng, Bingzhe Chen, Joseph Choi, Yen T. Nguyen, Pradeep Seshadri, Mayank Verma, H. S. Udaykumar, Stephen Baek,
• Abstract要約: 本研究は, 弱い加圧を受ける結晶性エネルギー材料 (EM) におけるホットスポットの形成について検討した。 直接数値シミュレーションに伴う計算課題を克服するため,物理対応リカレント畳み込みニューラルネットワーク(PARCv2)を進歩させる。 PARCv2は、フーリエニューラル演算子とニューラル常微分方程式という、広く使われている2つの物理インフォームドモデルに対してベンチマークされる。
• 参考スコア（独自算出の注目度）: 2.8897045834881343
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Modeling shock-to-detonation phenomena in energetic materials (EMs) requires capturing complex physical processes such as strong shocks, rapid changes in microstructural morphology, and nonlinear dynamics of chemical reaction fronts. These processes participate in energy localization at hotspots, which initiate chemical energy release leading to detonation. This study addresses the formation of hotspots in crystalline EMs subjected to weak-to-moderate shock loading, which, despite its critical relevance to the safe storage and handling of EMs, remains underexplored compared to the well-studied strong shock conditions. To overcome the computational challenges associated with direct numerical simulations, we advance the Physics-Aware Recurrent Convolutional Neural Network (PARCv2), which has been shown to be capable of predicting strong shock responses in EMs. We improved the architecture of PARCv2 to rapidly predict shear localizations and plastic heating, which play important roles in the weak-to-moderate shock regime. PARCv2 is benchmarked against two widely used physics-informed models, namely, Fourier neural operator and neural ordinary differential equation; we demonstrate its superior performance in capturing the spatiotemporal dynamics of shear band formation. While all models exhibit certain failure modes, our findings underscore the importance of domain-specific considerations in developing robust AI-accelerated simulation tools for reactive materials.
• Abstract（参考訳）: エネルギー材料(EM)の衝撃-起爆現象をモデル化するには、強い衝撃、組織形態の急激な変化、化学反応フロントの非線形ダイナミクスなどの複雑な物理過程を捉える必要がある。 これらのプロセスはホットスポットでのエネルギー局在に関与し、起爆につながる化学エネルギーの放出を開始する。 本研究は, 弱変量衝撃荷重を受ける結晶性EMのホットスポットの形成について検討した。 直接数値シミュレーションに関連する計算課題を克服するため,EMの強い衝撃応答を予測できる物理認識再帰畳み込みニューラルネットワーク(PARCv2)を進歩させる。 我々はPARCv2のアーキテクチャを改善してせん断局所化と塑性加熱を迅速に予測し,弱変量ショック機構において重要な役割を担った。 PARCv2は、フーリエニューラル演算子とニューラル常微分方程式という、広く使われている2つの物理インフォームドモデルに対してベンチマークされる。 全てのモデルには特定の障害モードがあるが、我々の研究結果は、反応性材料のための堅牢なAI加速シミュレーションツールを開発する上で、ドメイン固有の考察の重要性を浮き彫りにしている。

関連論文リスト

• Reduced Order Modeling of Energetic Materials Using Physics-Aware Recurrent Convolutional Neural Networks in a Latent Space (LatentPARC) [0.3420768233632066]
  本研究では,複雑なフィールド進化問題を学習しながら,PADL法が直面する課題を単純化し,高速化できることを示す。 物理を意識した再帰的畳み込み(PARC)に関するこれまでの研究に基づいて構築する。 我々は,PARCに匹敵する結果を維持しながら,トレーニングと推論時間の大幅な減少を観察した。
  論文  参考訳（メタデータ） (2025-09-15T19:48:04Z)
• 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)
• Spatiotemporal Field Generation Based on Hybrid Mamba-Transformer with Physics-informed Fine-tuning [46.67399627400437]
  この研究は、訓練されたモデルによる物理場の生成における物理方程式の相当な相違に直面する。 HMT-PFという名称の物理場生成モデルは、ハイブリッドのMamba-Transformerアーキテクチャに基づいて開発されている。
  論文  参考訳（メタデータ） (2025-05-16T14:40:56Z)
• Analog In-memory Training on General Non-ideal Resistive Elements: The Impact of Response Functions [46.75046795995564]
  AIMCハードウェアでは、トレーニング可能な重量は抵抗素子のコンダクタンスで表され、連続する電気パルスを用いて更新される。 コンダクタンスはパルスごとに一定変化するが、実際には非対称および非線形のテキスト応答関数によってスケールされ、非理想的トレーニングのダイナミクスをもたらす。 本稿では,AIMCハードウェアにおける非理想応答関数を用いた勾配学習の理論的基礎を提供する。
  論文  参考訳（メタデータ） (2025-02-10T09:56:15Z)
• A conditional latent autoregressive recurrent model for generation and forecasting of beam dynamics in particle accelerators [46.348283638884425]
  本稿では,加速器内の荷電粒子のダイナミクスを学習するための2段階の非教師付きディープラーニングフレームワークであるLatent Autoregressive Recurrent Model (CLARM)を提案する。 CLARMは、潜在空間表現をキャプチャしてデコードすることで、様々な加速器サンプリングモジュールでプロジェクションを生成することができる。 その結果,提案手法の予測能力と生成能力は,様々な評価指標と比較した場合に有望であることが示唆された。
  論文  参考訳（メタデータ） (2024-03-19T22:05:17Z)
• Physics-driven machine learning for the prediction of coronal mass ejections' travel times [46.58747894238344]
  コロナ質量放出(CME)は、太陽コロナからヘリウム圏へのプラズマと磁場の劇的な放出に対応する。 CMEは地磁気嵐と相関しており、太陽エネルギー粒子の流れを発生させる可能性がある。 本稿では,CMEの走行時間予測のための物理駆動型人工知能手法を提案する。
  論文  参考訳（メタデータ） (2023-05-17T08:53:29Z)
• A physics-aware deep learning model for energy localization in multiscale shock-to-detonation simulations of heterogeneous energetic materials [0.0]
  不均一エネルギー材料における衝撃-起爆遷移(SDT)の予測シミュレーションは、そのエネルギー放出と感度の設計と制御に不可欠である。 本研究では,EMのSDTシミュレーションのための効率的かつ高精度なマルチスケールフレームワークを提案する。 本研究では, 深層学習を用いたSDTシミュレーションのための新しい手法を提案し, 衝撃開始EMマイクロ構造のメソスケールエネルギー局在をモデル化する。
  論文  参考訳（メタデータ） (2022-11-08T21:16:00Z)
• PARC: Physics-Aware Recurrent Convolutional Neural Networks to Assimilate Meso-scale Reactive Mechanics of Energetic Materials [0.0]
  衝撃開始エネルギー材料(EM)のメソスケール熱力学を学習する深層学習アルゴリズムであるPARCニューラルネットワークについて述べる。 PARCにおける人工ニューロンの可視化は、EM熱力学の重要な側面に光を当てることと、EMを概念化する追加レンズを提供することを実証する。
  論文  参考訳（メタデータ） (2022-04-04T14:29:35Z)

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。