論文の概要: Atomistic Simulation Guided Convolutional Neural Networks for Thermal Modeling of Friction Stir Welding

• arxiv url: http://arxiv.org/abs/2512.21344v1
• Date: Mon, 15 Dec 2025 16:41:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-04 08:45:17.05323
• Title: Atomistic Simulation Guided Convolutional Neural Networks for Thermal Modeling of Friction Stir Welding
• Title（参考訳）: 摩擦スター溶接の熱モデリングのための原子構造シミュレーションによる畳み込みニューラルネットワーク
• Authors: Akshansh Mishra,
• Abstract要約: 分子動力学シミュレーションをLAMMPSを用いて行った。 2次元畳み込みニューラルネットワークは、空間的に解決された原子構造データから直接温度を予測するために開発された。
• 参考スコア（独自算出の注目度）: 0.33842793760651557
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate prediction of temperature evolution is essential for understanding thermomechanical behavior in friction stir welding. In this study, molecular dynamics simulations were performed using LAMMPS to model aluminum friction stir welding at the atomic scale, capturing material flow, plastic deformation, and heat generation during tool plunge, traverse, and retraction. Atomic positions and velocities were extracted from simulation trajectories and transformed into physics based two dimensional spatial grids. These grids represent local height variation, velocity components, velocity magnitude, and atomic density, preserving spatial correlations within the weld zone. A two-dimensional convolutional neural network was developed to predict temperature directly from the spatially resolved atomistic data. Hyperparameter optimization was carried out to determine an appropriate network configuration. The trained model demonstrates strong predictive capability, achieving a coefficient of determination R square of 0.9439, a root mean square error of 14.94 K, and a mean absolute error of 11.58 K on unseen test data. Class Activation Map analysis indicates that the model assigns higher importance to regions near the tool material interface, which are associated with intense deformation and heat generation in the molecular dynamics simulations. The results show that spatial learning from atomistic simulation data can accurately reproduce temperature trends in friction stir welding while remaining consistent with physical deformation and flow mechanisms observed at the atomic scale.
• Abstract（参考訳）: 熱力学的挙動を理解するためには, 温度変化の正確な予測が不可欠である。 本研究では, LAMMPSを用いた分子動力学シミュレーションを行い, 原材料流, 塑性変形, 熱発生を計測し, 軸方向, トラバース, リトラクションをモデル化した。 シミュレーション軌道から原子の位置と速度を抽出し、2次元空間格子に変換した。 これらの格子は局所的な高さ変化、速度成分、速度の大きさ、原子密度を表し、溶接領域内の空間的相関を保存する。 2次元畳み込みニューラルネットワークは、空間的に解決された原子構造データから直接温度を予測するために開発された。 適切なネットワーク構成を決定するためにハイパーパラメータ最適化を行った。 訓練されたモデルは強い予測能力を示し、決定R平方の係数は0.9439、根平均平方誤差は14.94K、絶対絶対誤差は11.58Kである。 クラス活性化マップ解析は, 分子動力学シミュレーションにおいて, 強い変形と熱発生と関連する工具材料界面近傍の領域に, モデルがより高い重要性を割り当てていることを示している。 その結果、原子スケールで観測された物理的変形や流れのメカニズムと整合性を維持しながら、原子論的シミュレーションデータから空間学習が摩擦拌溶接の温度傾向を正確に再現できることが示唆された。

関連論文リスト

• Physics-constrained Gaussian Processes for Predicting Shockwave Hugoniot Curves [39.92721695835137]
  ヒューゴニオット曲線に沿った衝撃物質状態を予測するための物理制約付きガウス過程回帰フレームワークを開発した。 このフレームワークは、予測の不確実性を定量化しながら、十分な精度でヒューゴニオット曲線を再現する。
  論文  参考訳（メタデータ） (2026-01-10T18:54:24Z)
• Few-Shot Learning by Explicit Physics Integration: An Application to Groundwater Heat Transport [41.94295877935867]
  ローカルGlobal Convolutional Neural Network (LGCNN) アプローチが導入された。 モデルはまずランダムな入力場に基づいて系統的に解析される。 そして、このモデルは、ドイツのミュンヘン地域の現実世界の古典地図から、いくつかのカットアウトで訓練される。
  論文  参考訳（メタデータ） (2025-07-08T15:06:15Z)
• Thermal state preparation by repeated interactions at and beyond the Lindblad limit [41.94295877935867]
  本研究は, 繰り返し相互作用プロトコルによる熱流動特性と関連する準備(シミュレーション)時間について検討する。 我々は,Mpemba様の効果を観察する:最大混合状態から中間温度状態への熱化は,低温状態よりも長い時間を要する。
  論文  参考訳（メタデータ） (2025-06-13T18:34:49Z)
• Physics-based machine learning for mantle convection simulations [2.4608654148475235]
  本研究では,温度を保ちながら温度の関数としてクリープ流速度を予測する機械学習手法を提案する。 有限体積ソルバは予測速度を用いて次の時間に温度場を拡散させ、推論時の自己回帰ロールアウトを可能にする。 全体として、我々のモデルは数値解法よりも89倍高速である。
  論文  参考訳（メタデータ） (2025-05-21T21:47:43Z)
• 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)
• Flow Matching for Accelerated Simulation of Atomic Transport in Crystalline Materials [6.6716708904054896]
  原子輸送はエネルギー貯蔵や電子工学などの技術における材料の性能を支えている。 結晶材料のMDシミュレーションを高速化する生成フレームワークLiFlowを紹介する。 我々はLiFlowを4つの温度で4,186個のSSE候補にまたがる25-psのリチウム拡散軌道からなるデータセット上でベンチマークした。
  論文  参考訳（メタデータ） (2024-10-02T12:16:46Z)
• Physics-Informed Machine Learning Towards A Real-Time Spacecraft Thermal Simulator [15.313871831214902]
  ここで提示されるPIMLモデルまたはハイブリッドモデルは、軌道上の熱負荷条件によって与えられるノイズの低減を予測するニューラルネットワークで構成されている。 我々は,ハイブリッドモデルの計算性能と精度を,データ駆動型ニューラルネットモデルと,地球周回小型宇宙船の高忠実度有限差分モデルと比較した。 PIMLベースのアクティブノダライゼーションアプローチは、ニューラルネットワークモデルや粗いメッシュモデルよりもはるかに優れた一般化を提供すると同時に、高忠実度モデルと比較して計算コストを最大1.7倍削減する。
  論文  参考訳（メタデータ） (2024-07-08T16:38:52Z)
• Event-Based Simulation of Stochastic Memristive Devices for Neuromorphic Computing [41.66366715982197]
  イベントベースシステムのシミュレーションに適したメムリスタの一般モデルを構築した。 既存のmemristorの汎用モデルをイベント駆動設定に拡張する。 本稿では,イベントベースモデルのパラメータをドリフトモデルに適合させる手法を示す。
  論文  参考訳（メタデータ） (2024-06-14T13:17:19Z)
• Accurate melting point prediction through autonomous physics-informed learning [52.217497897835344]
  NPTアンサンブルにおける共存シミュレーションから自律的に学習することで融点を計算するアルゴリズムを提案する。 固液共存進化の物理モデルを統合することで、アルゴリズムの精度が向上し、最適な意思決定が可能になることを実証する。
  論文  参考訳（メタデータ） (2023-06-23T07:53:09Z)
• Reduced Order Probabilistic Emulation for Physics-Based Thermosphere Models [0.0]
  本研究は,TIE-GCM(Thermosphere Ionosphere Electrodynamics Circulation General Model)のための効率的なサロゲートを作成するために,確率論的機械学習(ML)手法を採用することを目的とする。 利用可能なデータ全体で、TIE-GCM ROPEは従来の線形手法と同様の誤差を示しながら、嵐時モデリングを改善した。 また,TIE-GCM ROPEは,TIE-GCM密度から得られる位置を5kmの偏りで捉えることができることを示す。
  論文  参考訳（メタデータ） (2022-11-08T17:36:37Z)
• Direct data-driven forecast of local turbulent heat flux in Rayleigh-B\'{e}nard convection [0.0]
  Prandtl number $rm Pr=7$とRayleigh number $rm Ra=107$の2次元乱流Rayleigh-B'enard対流 縮小潜在データ空間における流れデータの時間進行に2つの繰り返しニューラルネットワークを適用する。 12層を隠蔽した畳み込み自己エンコーダは、乱流データの次元を元の大きさの0.2%まで縮めることができる。
  論文  参考訳（メタデータ） (2022-02-26T12:39:19Z)

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。