論文の概要: Identification of Empirical Constitutive Models for Age-Hardenable Aluminium Alloy and High-Chromium Martensitic Steel Using Symbolic Regression

• arxiv url: http://arxiv.org/abs/2511.08424v1
• Date: Wed, 12 Nov 2025 01:58:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.809593
• Title: Identification of Empirical Constitutive Models for Age-Hardenable Aluminium Alloy and High-Chromium Martensitic Steel Using Symbolic Regression
• Title（参考訳）: シンボリック回帰を用いた時効性アルミニウム合金および高クロムマルテンサイト鋼の経験的構成モデルの同定
• Authors: Evgeniya Kabliman, Gabriel Kronberger,
• Abstract要約: シンボリック回帰は、プロセス構造とプロパティの関係を記述する数学的モデルを明らかにする強力なツールとして機能する。 特定の製造条件下での材料挙動を予測するために、自動的に方程式を生成することができる。 本研究は, 塑性変形時の各種金属合金の挙動を記述するモデルから, シンボルレグレッションを導出する方法を示す。
• 参考スコア（独自算出の注目度）: 0.5156484100374058
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Process-structure-property relationships are fundamental in materials science and engineering and are key to the development of new and improved materials. Symbolic regression serves as a powerful tool for uncovering mathematical models that describe these relationships. It can automatically generate equations to predict material behaviour under specific manufacturing conditions and optimize performance characteristics such as strength and elasticity. The present work illustrates how symbolic regression can derive constitutive models that describe the behaviour of various metallic alloys during plastic deformation. Constitutive modelling is a mathematical framework for understanding the relationship between stress and strain in materials under different loading conditions. In this study, two materials (age-hardenable aluminium alloy and high-chromium martensitic steel) and two different testing methods (compression and tension) are considered to obtain the required stress-strain data. The results highlight the benefits of using symbolic regression while also discussing potential challenges.
• Abstract（参考訳）: プロセス-構造-プロパティ関係は、材料科学と工学において基本的なものであり、新しく改良された材料の開発において鍵となる。 記号回帰は、これらの関係を記述する数学的モデルを明らかにする強力なツールとして機能する。 特定の製造条件下での材料挙動を予測するための方程式を自動的に生成し、強度や弾性などの性能特性を最適化することができる。 本研究は, 塑性変形時の各種金属合金の挙動を記述する構成モデルから, シンボリックレグレッションを導出する方法を示す。 構成的モデリングは、異なる負荷条件下での材料中の応力とひずみの関係を理解するための数学的枠組みである。 本研究では,2つの材料(時効硬化性アルミニウム合金および高クロムマルテンサイト鋼)と2つの異なる試験方法(圧縮と張力)を用いて,必要な応力-ひずみデータを得る。 結果は、潜在的な課題についても議論しながら、シンボリックレグレッションを使うことの利点を強調している。

関連論文リスト

• A Comparison of Surrogate Constitutive Models for Viscoplastic Creep Simulation of HT-9 Steel [0.4104352271917983]
  データから関係を直接学習するデータ駆動サロゲートモデルは、有望なソリューションとして現れている。 鋼の粘塑性応答に対する2つのサロゲートモデルを開発した。 代理モデルがHT-9鋼のクリープシミュレーションに適用された。
  論文  参考訳（メタデータ） (2025-09-05T19:36:44Z)
• Causal Discovery from Data Assisted by Large Language Models [50.193740129296245]
  知識駆動発見のために、実験データと事前のドメイン知識を統合することが不可欠である。 本稿では、高分解能走査透過電子顕微鏡(STEM)データと大規模言語モデル(LLM)からの洞察を組み合わせることで、このアプローチを実証する。 SmドープBiFeO3(SmBFO)におけるChatGPTをドメイン固有文献に微調整することにより、構造的、化学的、分極的自由度の間の因果関係をマッピングするDAG(Directed Acyclic Graphs)の隣接行列を構築する。
  論文  参考訳（メタデータ） (2025-03-18T02:14:49Z)
• ViSymRe: Vision-guided Multimodal Symbolic Regression [10.781095187779604]
  ViSymReは視覚誘導型マルチモーダルSRモデルであり、第3のリソースである式グラフを組み込んでモダリティギャップを埋める。 ViSymReは、最先端のデータセットのみのベースラインよりも、より競争力のあるパフォーマンスを実現していることを示す。
  論文  参考訳（メタデータ） (2024-12-15T10:05:31Z)
• Discovering High-Strength Alloys via Physics-Transfer Learning [1.2438700252649395]
  ピエルス応力は、塑性流動に対する転位抵抗を評価して材料強度を測定する。 本稿では、力場シミュレーションで訓練されたニューラルネットワークを利用して結晶の塑性物理を理解するためのデータ駆動フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-12T11:05:05Z)
• Scalable Diffusion for Materials Generation [99.71001883652211]
  我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。 UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。 材料の生成モデルを評価するための追加指標を提案する。
  論文  参考訳（メタデータ） (2023-10-18T15:49:39Z)
• 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)
• Learning the nonlinear dynamics of soft mechanical metamaterials with graph networks [3.609538870261841]
  ソフトメカニカルメタマテリアルの力学を研究する機械学習手法を提案する。 提案手法は直接数値シミュレーションと比較して計算コストを大幅に削減することができる。
  論文  参考訳（メタデータ） (2022-02-24T00:20:28Z)
• How to See Hidden Patterns in Metamaterials with Interpretable Machine Learning [82.67551367327634]
  我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。 具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
  論文  参考訳（メタデータ） (2021-11-10T21:19:02Z)
• Polyconvex anisotropic hyperelasticity with neural networks [1.7616042687330642]
  有限変形に対する凸機械学習に基づくモデルを提案する。 モデルは立方体格子メタマテリアルの非常に困難なシミュレーションデータで校正される。 データアプローチのデータは、機械的な考慮に基づいており、追加の実験やシミュレーション機能を必要としない。
  論文  参考訳（メタデータ） (2021-06-20T15:33:31Z)

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。