論文の概要: Adaptive Fusion Graph Network for 3D Strain Field Prediction in Solid Rocket Motor Grains

• arxiv url: http://arxiv.org/abs/2512.23443v1
• Date: Mon, 29 Dec 2025 13:02:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.507633
• Title: Adaptive Fusion Graph Network for 3D Strain Field Prediction in Solid Rocket Motor Grains
• Title（参考訳）: 固体ロケットモータの3次元ひずみ場予測のための適応核融合グラフネットワーク
• Authors: Jiada Huang, Hao Ma, Zhibin Shen, Yizhou Qiao, Haiyang Li,
• Abstract要約: 固体ロケットモータ粒子の局所的な高ひずみは、構造的故障の主な原因である。 本稿では,構造的に重要な領域の機械的特徴を保存するための適応グラフネットワークGrainGNetを提案する。 GrainGNetは、ベースライングラフのU-Netモデルと比較して平均2乗誤差を62.8%削減する。
• 参考スコア（独自算出の注目度）: 4.379802056393599
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Local high strain in solid rocket motor grains is a primary cause of structural failure. However, traditional numerical simulations are computationally expensive, and existing surrogate models cannot explicitly establish geometric models and accurately capture high-strain regions. Therefore, this paper proposes an adaptive graph network, GrainGNet, which employs an adaptive pooling dynamic node selection mechanism to effectively preserve the key mechanical features of structurally critical regions, while concurrently utilising feature fusion to transmit deep features and enhance the model's representational capacity. In the joint prediction task involving four sequential conditions--curing and cooling, storage, overloading, and ignition--GrainGNet reduces the mean squared error by 62.8% compared to the baseline graph U-Net model, with only a 5.2% increase in parameter count and an approximately sevenfold improvement in training efficiency. Furthermore, in the high-strain regions of debonding seams, the prediction error is further reduced by 33% compared to the second-best method, offering a computationally efficient and high-fidelity approach to evaluate motor structural safety.
• Abstract（参考訳）: 固体ロケットモータ粒子の局所的な高ひずみは、構造的故障の主な原因である。 しかし、従来の数値シミュレーションは計算に費用がかかるため、既存の代理モデルは幾何モデルを明確に定めず、高速領域を正確に捉えることはできない。 そこで本稿では, 適応型グラフネットワークであるGrainGNetを提案し, 適応型プーリング動的ノード選択機構を用いて, 構造的に重要な領域の機械的特徴を効果的に保ちつつ, 深い特徴を伝達し, モデルの表現能力を高めるために特徴融合を同時に活用する。 計算, 冷却, 過負荷, 点火の4つの連続した条件を含む共同予測タスクにおいて, 平均2乗誤差をベースライングラフU-Netモデルと比較して62.8%削減し, パラメータ数5.2%増加し, トレーニング効率を約7倍改善した。 さらにデボンディングシームの高ひずみ領域では、第2ベスト法に比べて予測誤差が33%減少し、運動構造安全性を評価するための計算効率が高く、高忠実なアプローチが提供される。

関連論文リスト

• Fast & Efficient Normalizing Flows and Applications of Image Generative Models [0.0]
  理論は、生成モデルの効率を向上すること、特にフローの正規化、および現実のコンピュータビジョンの課題を解決するために生成モデルを適用することである。 第1部では,6つの重要なイノベーションを通じて,フローアーキテクチャの正規化に関する大幅な改善が紹介されている。 1) 数学的に証明された必要条件と可逆性のための十分な条件を備えた3x3畳み込み層の開発,2) より効率的な擬似結合層の導入,3) kxk畳み込み層のための高速かつ効率的な並列反転アルゴリズムの設計,4) 畳み込み逆転用高速かつ効率的な逆プロパゲーションアルゴリズム,5) 逆畳み込みの逆利用
  論文  参考訳（メタデータ） (2025-12-03T18:29:03Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• iFlame: Interleaving Full and Linear Attention for Efficient Mesh Generation [49.8026360054331]
  iFlameはメッシュ生成のためのトランスフォーマーベースの新しいネットワークアーキテクチャである。 本稿では,線形アテンションの効率とフルアテンション機構の表現力を組み合わせたインターリービング自己回帰メッシュ生成フレームワークを提案する。 提案するインターリービングフレームワークは,計算効率と生成性能を効果的にバランスさせることが示唆された。
  論文  参考訳（メタデータ） (2025-03-20T19:10:37Z)
• A new graph-based surrogate model for rapid prediction of crashworthiness performance of vehicle panel components [9.652891407528612]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つデータを処理するための有望なソリューションとして登場した。 本稿では,車両パネル部品の耐クラッシュ性解析のためのグラフに基づく新しいサロゲートモデルであるRecurrent Graph U-Netを提案する。
  論文  参考訳（メタデータ） (2025-03-16T23:55:40Z)
• A Neural Network Architecture Based on Attention Gate Mechanism for 3D Magnetotelluric Forward Modeling [1.5862483908050367]
  本稿では,3次元MTフォワードモデリングのためのアテンションゲーティング機構を統合したMTAGU-Netという新しいニューラルネットワークアーキテクチャを提案する。 デュアルパスアテンションゲーティングモジュールは、前方応答データ画像に基づいて設計され、エンコーダとデコーダの間のスキップ接続に埋め込まれる。 3次元ガウスランダム場(GRF)を利用した合成モデル生成法は,実世界の地質学的シナリオの電気的構造を正確に再現する。
  論文  参考訳（メタデータ） (2025-03-14T13:48:25Z)
• Efficient and Scalable Density Functional Theory Hamiltonian Prediction through Adaptive Sparsity [11.415146682472127]
  ハミルトン行列予測は計算化学において重要である。 SPHNetは、適応SParsityをハミルトン予測に組み込んだ、効率的でスケーラブルな同変ネットワークである。 SPHNetは最先端の精度を実現し、既存のモデルよりも最大7倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2025-02-03T09:04:47Z)
• AntiDote: Attention-based Dynamic Optimization for Neural Network Runtime Efficiency [42.00372941618975]
  本稿では,ニューラルネットワークの注意機構に基づく動的CNN最適化フレームワークを提案する。 我々の方法では、様々なテストネットワークで無視できる精度の低下で37.4%から54.5%のFLOPを削減できる。
  論文  参考訳（メタデータ） (2020-08-14T18:48:13Z)
• Towards Practical Lipreading with Distilled and Efficient Models [57.41253104365274]
  ニューラルネットワークの復活により、リリーディングは多くの進歩を目の当たりにした。 最近の研究は、最適なアーキテクチャを見つけるか、一般化を改善することで、パフォーマンスを改善するといった側面に重点を置いている。 現在の方法論と、実践的なシナリオにおける効果的なリップリーディングのデプロイ要件との間には、依然として大きなギャップがあります。 まず, LRW と LRW-1000 をそれぞれ 88.5% と 46.6% に比例して, 最先端の性能を高めることを提案する。
  論文  参考訳（メタデータ） (2020-07-13T16:56:27Z)
• Towards a Competitive End-to-End Speech Recognition for CHiME-6 Dinner Party Transcription [73.66530509749305]
  本稿では,難しい場合であっても,ハイブリッドベースラインに近い性能を示すエンドツーエンドアプローチについて論じる。 CTC-Attention と RNN-Transducer のアプローチと RNN と Transformer のアーキテクチャを比較し,解析する。 RNN-Transducerをベースとしたベストエンド・ツー・エンドモデルでは、ビームサーチの改善とともに、LF-MMI TDNN-F CHiME-6 Challengeのベースラインよりも品質が3.8%向上した。
  論文  参考訳（メタデータ） (2020-04-22T19:08:33Z)

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。