論文の概要: Probabilistic Predictions of Process-Induced Deformation in Carbon/Epoxy Composites Using a Deep Operator Network

• arxiv url: http://arxiv.org/abs/2512.13746v1
• Date: Mon, 15 Dec 2025 03:04:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.421442
• Title: Probabilistic Predictions of Process-Induced Deformation in Carbon/Epoxy Composites Using a Deep Operator Network
• Title（参考訳）: ディープ・オペレーター・ネットワークを用いたカーボン/エポキシ複合材料のプロセス誘起変形の確率論的予測
• Authors: Elham Kiyani, Amit Makarand Deshpande, Madhura Limaye, Zhiwei Gao, Sai Aditya Pradeep, Srikanth Pilla, Gang Li, Zhen Li, George Em Karniadakis,
• Abstract要約: 熱硬化過程における熱膨張係数とマトリックス収縮係数のミスマッチにより, 繊維強化とポリマーマトリックスは製造条件に異なる反応を示した。 本研究では,一方向のAS4炭素繊維/アミン二官能エポキシ前駆体とプロセス誘起変形(PID)を2機構の枠組みを用いてモデル化する。
• 参考スコア（独自算出の注目度）: 7.616136432212582
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Fiber reinforcement and polymer matrix respond differently to manufacturing conditions due to mismatch in coefficient of thermal expansion and matrix shrinkage during curing of thermosets. These heterogeneities generate residual stresses over multiple length scales, whose partial release leads to process-induced deformation (PID), requiring accurate prediction and mitigation via optimized non-isothermal cure cycles. This study considers a unidirectional AS4 carbon fiber/amine bi-functional epoxy prepreg and models PID using a two-mechanism framework that accounts for thermal expansion/shrinkage and cure shrinkage. The model is validated against manufacturing trials to identify initial and boundary conditions, then used to generate PID responses for a diverse set of non-isothermal cure cycles (time-temperature profiles). Building on this physics-based foundation, we develop a data-driven surrogate based on Deep Operator Networks (DeepONets). A DeepONet is trained on a dataset combining high-fidelity simulations with targeted experimental measurements of PID. We extend this to a Feature-wise Linear Modulation (FiLM) DeepONet, where branch-network features are modulated by external parameters, including the initial degree of cure, enabling prediction of time histories of degree of cure, viscosity, and deformation. Because experimental data are available only at limited time instances (for example, final deformation), we use transfer learning: simulation-trained trunk and branch networks are fixed and only the final layer is updated using measured final deformation. Finally, we augment the framework with Ensemble Kalman Inversion (EKI) to quantify uncertainty under experimental conditions and to support optimization of cure schedules for reduced PID in composites.
• Abstract（参考訳）: 熱硬化過程における熱膨張係数とマトリックス収縮係数のミスマッチにより, 繊維強化とポリマーマトリックスは製造条件に異なる反応を示した。 これらの不均一性は、複数の長さのスケールで残留応力を発生させ、その部分放出はプロセス誘起変形(PID)を引き起こし、最適化された非等温硬化サイクルによる正確な予測と緩和を必要とする。 本研究では, 熱膨張・収縮・収縮を考慮に入れた一方向AS4炭素繊維/アミン二官能エポキシプレプレグとPIDモデルについて検討した。 このモデルは、初期および境界条件を特定するための製造試験に対して検証され、その後、多種多様な非等温的治療サイクル(温度プロファイル)に対してPID応答を生成するために使用される。 この物理基盤を基盤として,Deep Operator Networks (DeepONets) に基づくデータ駆動サロゲートを開発した。 DeepONetは、高忠実度シミュレーションとターゲットとするPIDの実験的測定を組み合わせたデータセットで訓練されている。 我々は、これをFiLM(Feature-wise Linear Modulation) DeepONetに拡張し、分岐ネットワークの特徴は、初期治療の度合いや、治療の度合い、粘度、変形の時間履歴の予測など、外部パラメータによって変調される。 実験データは限られた時刻のインスタンス(例えば、最終変形)でのみ利用可能であるため、転送学習を用いる:シミュレーション訓練されたトランクと分岐ネットワークは固定され、最終層のみが測定された最終変形によって更新される。 最後に、Ensemble Kalman Inversion (EKI) を用いて、実験条件下での不確かさを定量化し、複合材料におけるPID削減のための治療スケジュールの最適化を支援する。

関連論文リスト

• Morphology-Specific Peptide Discovery via Masked Conditional Generative Modeling [0.0]
  PepMorphはエンドツーエンドのペプチド発見パイプラインである。 配列は凝集しやすいが、特定のフィブリッラーや球形の形態に自己組織化する。
  論文  参考訳（メタデータ） (2025-09-02T07:58:12Z)
• Progressive Inference-Time Annealing of Diffusion Models for Sampling from Boltzmann Densities [93.13866975467549]
  拡散に基づくサンプル学習のために, PITA(Progressive Inference-Time Annealing)を提案する。 PITAはボルツマン分布のアナーリングと拡散平滑化という2つの相補的手法を組み合わせたものである。 N-体粒子系、アラニンジペプチド、トリペプチドの平衡サンプリングを可能にする。
  論文  参考訳（メタデータ） (2025-06-19T17:14:22Z)
• Aggregation of Published Non-Uniform Axial Power Data for Phase II of the OECD/NEA AI/ML Critical Heat Flux Benchmark [0.0]
  臨界熱流束(CHF)は軽水炉の沸騰危機の始まりを示す。 この研究は、一様および非一様軸加熱条件の両方をカバーする広いCHFデータセットをコンパイルし、デジタル化する。
  論文  参考訳（メタデータ） (2025-06-18T16:01:44Z)
• Data-Driven Optical To Thermal Inference in Pool Boiling Using Generative Adversarial Networks [1.0499611180329804]
  本稿では,標準プール沸騰構成における幾何位相から温度場を推定するデータ駆動フレームワークを提案する。 本研究は,観測可能な多相現象と熱輸送のギャップを埋めるための深部生成モデルの可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-05-01T19:26:01Z)
• Elucidating microstructural influences on fatigue behavior for additively manufactured Hastelloy X using Bayesian-calibrated crystal plasticity model [0.0]
  結晶塑性モデリング(CPモデリング)は材料の機械的挙動を予測する重要なツールである。 本稿では,疲労負荷条件下での最適CPモデルパラメータの同定に最適化(BO)を用いる頑健な手法を提案する。
  論文  参考訳（メタデータ） (2024-12-06T15:46:37Z)
• Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
  リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。 この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。 提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
  論文  参考訳（メタデータ） (2024-07-26T10:29:16Z)
• Efficient Prediction of Peptide Self-assembly through Sequential and Graphical Encoding [57.89530563948755]
  この研究は、高度なディープラーニングモデルを用いたペプチドエンコーディングのベンチマーク分析を提供する。 等電点や水和自由エネルギーなど、幅広いペプチド関連予測のガイドとして機能する。
  論文  参考訳（メタデータ） (2023-07-17T00:43:33Z)
• Residual fourier neural operator for thermochemical curing of composites [9.236600710244478]
  本稿では,Residual Fourier Neural Operator (ResFNO)を提案する。 ドメイン知識を時間分解能独立パラメータ化ニューラルネットワークに統合することにより、治療サイクルと温度履歴の間のマッピングをラベル付きデータの限られた数で学習することができる。
  論文  参考訳（メタデータ） (2021-11-15T14:28:11Z)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)
• Learning to predict metal deformations in hot-rolling processes [59.00006390882099]
  ホットローリング(Hot-rolling)は、入力から一連の変形を通じて断面を生成する金属成形プロセスである。 現状では、ロールの回転列と形状は、与えられた断面を達成するために必要である。 そこで本研究では,一組のロールが与えられた形状を予測するための教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2020-07-22T13:33:44Z)

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。