論文の概要: Deep Learning-Based Surrogate Creep Modelling in Inconel 625: A High-Temperature Alloy Study

• arxiv url: http://arxiv.org/abs/2512.17477v1
• Date: Fri, 19 Dec 2025 11:44:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-22 19:25:54.365283
• Title: Deep Learning-Based Surrogate Creep Modelling in Inconel 625: A High-Temperature Alloy Study
• Title（参考訳）: インコネル625の深層学習に基づくサロゲートクリープモデリング : 高温合金による研究
• Authors: Shubham Das, Kaushal Singhania, Amit Sadhu, Suprabhat Das, Arghya Nandi,
• Abstract要約: インコネル625のような高温合金のクリープは、航空宇宙やエネルギーシステムで使用されるコンポーネントの長期信頼性の重要な要素である。 本研究は,このようなシミュレーションを高速かつ高精度に置き換えるために,ディープラーニングに基づく代理モデルを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-dependent deformation, particularly creep, in high-temperature alloys such as Inconel 625 is a key factor in the long-term reliability of components used in aerospace and energy systems. Although Inconel 625 shows excellent creep resistance, finite-element creep simulations in tools such as ANSYS remain computationally expensive, often requiring tens of minutes for a single 10,000-hour run. This work proposes deep learning based surrogate models to provide fast and accurate replacements for such simulations. Creep strain data was generated in ANSYS using the Norton law under uniaxial stresses of 50 to 150 MPa and temperatures of 700 to 1000 $^\circ$C, and this temporal dataset was used to train two architectures: a BiLSTM Variational Autoencoder for uncertainty-aware and generative predictions, and a BiLSTM Transformer hybrid that employs self-attention to capture long-range temporal behavior. Both models act as surrogate predictors, with the BiLSTM-VAE offering probabilistic output and the BiLSTM-Transformer delivering high deterministic accuracy. Performance is evaluated using RMSE, MAE, and $R^2$. Results show that the BiLSTM-VAE provides stable and reliable creep strain forecasts, while the BiLSTM-Transformer achieves strong accuracy across the full time range. Latency tests indicate substantial speedup: while each ANSYS simulation requires 30 to 40 minutes for a given stress-temperature condition, the surrogate models produce predictions within seconds. The proposed framework enables rapid creep assessment for design optimization and structural health monitoring, and provides a scalable solution for high-temperature alloy applications.
• Abstract（参考訳）: インコネル625のような高温合金における時間依存性の変形、特にクリープは、航空宇宙やエネルギーシステムで使用されるコンポーネントの長期信頼性の重要な要素である。 Inconel 625は優れたクリープ抵抗を示すが、ANSYSのようなツールの有限要素クリープシミュレーションは計算に高価であり、1万時間のランニングに何分も要することが多い。 本研究は,このようなシミュレーションを高速かつ高精度に置き換えるために,ディープラーニングに基づく代理モデルを提案する。 1軸応力50～150MPa,温度700～1000ドル^\circ$CでNorton法を用いてANSYSでクリープひずみデータを生成し,不確実性認識および生成予測のためのBiLSTM変分オートエンコーダと,長距離時間行動の捕食に自己注意を用いたBiLSTMトランスフォーマーハイブリッドの2つのアーキテクチャをトレーニングするために,この時間データセットを用いた。 どちらのモデルもサロゲート予測器として機能し、BiLSTM-VAEは確率的出力を提供し、BiLSTM-Transformerは高い決定論的精度を提供する。 RMSE, MAE, および$R^2$を用いて評価を行った。 その結果, BiLSTM-VAEは安定かつ信頼性の高いクリープひずみ予測を提供するのに対し, BiLSTM-Transformerは全時間範囲にわたって高い精度を達成できることがわかった。 ANSYSシミュレーションは、与えられたストレス-温度条件に対して30分から40分を要するが、代理モデルは数秒以内に予測を生成する。 提案フレームワークは設計最適化と構造的健康モニタリングのための急激なクリープ評価を可能にし,高温合金応用のためのスケーラブルなソリューションを提供する。

関連論文リスト

• 2D-ThermAl: Physics-Informed Framework for Thermal Analysis of Circuits using Generative AI [9.414651358362388]
  ThermAl"は物理インフォームドな生成AIフレームワークで、熱源を効果的に同定し、全チップの過渡的および定常的な熱分布を推定する。 本モデルは,COMSOLを用いて生成した単純な論理ゲート(インバータ,NAND,XORなど)から複雑な設計まで,広範な熱散逸マップのデータセットに基づいて訓練されている。 実験結果から、ThermAlは0.71Cのルート平均二乗誤差(RMSE)を持つ大回路に対して正確な温度マッピングを行い、200倍高速に動作することで従来のFEMツールより優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-12-01T00:45:26Z)
• Temporal convolutional and fusional transformer model with Bi-LSTM encoder-decoder for multi-time-window remaining useful life prediction [0.0]
  本稿では,時間的特徴抽出のための時間的畳み込みネットワーク(TCN)を統合した新しいフレームワークを提案する。 このアーキテクチャは、健全な時間パターンを強調しながら、短期間および長期の依存関係を効果的にブリッジする。 提案モデルでは平均RMSEを最大5.5%削減し,最先端手法と比較して予測精度を向上した。
  論文  参考訳（メタデータ） (2025-11-06T11:29:57Z)
• Neuro-MSBG: An End-to-End Neural Model for Hearing Loss Simulation [29.459592567418913]
  Neuro-MSBGは、効率的な時間周波数モデリングのためのパーソナライズされたオーディオグラムエンコーダを備えた軽量なエンドツーエンドモデルである。 シミュレーションランタイムを46(1秒入力で0.970秒から0.021秒に短縮する。
  論文  参考訳（メタデータ） (2025-07-21T08:58:31Z)
• Simulation of a closed-loop dc-dc converter using a physics-informed neural network-based model [0.0]
  現在、商用の時間領域シミュレーションソフトウェアは、主に電力エレクトロニクスをシミュレートするための物理学に基づく手法に依存している。 近年の研究では、データ駆動型および物理インフォームドラーニング手法により、精度の妥協を限定してシミュレーション速度を向上できることが示されている。
  論文  参考訳（メタデータ） (2025-06-23T22:44:56Z)
• A Surrogate Model for the Forward Design of Multi-layered Metasurface-based Radar Absorbing Structures [3.328784252410173]
  本稿では,多層準曲面RASの電磁(EM)応答の予測を著しく高速化する代理モデルを提案する。 提案したモデルは、99.9%のコサイン類似性を達成し、平均2乗誤差は1000エポック内の0.001である。
  論文  参考訳（メタデータ） (2025-05-14T09:54:00Z)
• Learning to fuse: dynamic integration of multi-source data for accurate battery lifespan prediction [0.0]
  本研究では,バッテリ寿命予測のためのハイブリッド学習フレームワークを提案する。 動的マルチソースデータ融合と積み重ねアンサンブル(SE)モデリングアプローチを統合する。 平均絶対誤差(MAE)は0.0058、根平均二乗誤差(RMSE)は0.0092、決定係数(R2)は0.9839である。
  論文  参考訳（メタデータ） (2025-04-25T10:24:45Z)
• UQ of 2D Slab Burner DNS: Surrogates, Uncertainty Propagation, and Parameter Calibration [36.136619420474766]
  本研究の目的は,2次元スラブバーナ直接数値シミュレーション(DNS)のような複雑な物理シミュレーションの完全不確実性定量化分析を行う上での課題を実証し,解決することである。 UQフレームワークは、データ駆動サロゲートモデルの開発と、燃料回帰率に対するパラメトリック不確実性の伝播を含む。 本研究では, 複雑な燃焼系における燃料の回帰速度の予測における不確かさの定量化における代理モデル選択とパラメータキャリブレーションの重要性を強調した。
  論文  参考訳（メタデータ） (2024-11-09T20:56:05Z)
• Using Scalable Computer Vision to Automate High-throughput Semiconductor Characterization [38.434005183658975]
  本稿では,コンピュータビジョンの適応性,並列性,拡張性を活用した自動材料特性評価(オートキャラクタリゼーション)ツールを提案する。 本稿では,高スループット合成二元系のための一般化可能な合成マッピングツールについて述べる。 また,6分で200種類の独特な構成のバンドギャップを自律的に計算し,20分で200種類の独特な構成の劣化度を自律的に計算する2つのスケーラブルな自動評価アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-03-16T17:30:51Z)
• Alternating ConvLSTM: Learning Force Propagation with Alternate State Updates [29.011464047344614]
  本稿では, 変形可能な物体の力伝達機構をモデル化した交互畳み込み長短期記憶(Alt-ConvLSTM)を提案する。 数値PDE解法のフォワード法において,この手法が第1項と第2項の交互更新を模倣することを示す。 ヒト軟組織シミュレーションにおけるAlt-ConvLSTMの有効性を検討した。
  論文  参考訳（メタデータ） (2020-06-14T06:43:33Z)

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。