論文の概要: Geometric and Topological Deep Learning for Predicting Thermo-mechanical Performance in Cold Spray Deposition Process Modeling

• arxiv url: http://arxiv.org/abs/2603.14478v1
• Date: Sun, 15 Mar 2026 16:46:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.831937
• Title: Geometric and Topological Deep Learning for Predicting Thermo-mechanical Performance in Cold Spray Deposition Process Modeling
• Title（参考訳）: 冷間溶射プロセスモデリングにおける熱機械性能予測のための幾何学的・位相的深層学習
• Authors: Akshansh Mishra,
• Abstract要約: 本研究では,有限要素シミュレーションデータを用いた寒冷噴霧粒子衝突応答予測のための幾何学的深層学習フレームワークを提案する。 パラメトリックデータセットは、粒子速度、粒子温度、摩擦係数の体系的な範囲にまたがる自動Abaqusシミュレーションによって生成された。 グラフSAGE型インダクティブグラフニューラルネットワーク,チェビシェフスペクトルグラフ畳み込みネットワーク,トポロジカルデータ解析拡張多層パーセプトロン,幾何学的アテンションネットワークの4つの新しいアルゴリズムを実装し,評価した。
• 参考スコア（独自算出の注目度）: 0.33842793760651557
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study presents a geometric deep learning framework for predicting cold spray particle impact responses using finite element simulation data. A parametric dataset was generated through automated Abaqus simulations spanning a systematic range of particle velocity, particle temperature, and friction coefficient, yielding five output targets including maximum equivalent plastic strain, average contact plastic strain, maximum temperature, maximum von Mises stress, and deformation ratio. Four novel algorithms i.e. a GraphSAGE-style inductive graph neural network, a Chebyshev spectral graph convolution network, a topological data analysis augmented multilayer perceptron, and a geometric attention network were implemented and evaluated. Each input sample was treated as a node in a k-nearest-neighbour feature-space graph, enabling the models to exploit spatial similarity between process conditions during training. Three-dimensional feature space visualisations and two-dimensional contour projections confirmed the highly non-linear and velocity-dominated nature of the input-output relationships. Quantitative evaluation demonstrated that GraphSAGE and GAT consistently achieved R-square values exceeding 0.93 across most targets, with GAT attaining peak performance of R-square equal to 0.97 for maximum plastic strain. ChebSpectral and TDA-MLP performed considerably worse, yielding negative R-square values for several targets. These findings establish spatial graph-based neighbourhood aggregation as a robust and physically interpretable surrogate modelling strategy for cold spray process optimisation.
• Abstract（参考訳）: 本研究では,有限要素シミュレーションデータを用いた寒冷噴霧粒子衝突応答予測のための幾何学的深層学習フレームワークを提案する。 パラメトリックデータセットは, 粒子速度, 粒子温度, 摩擦係数の体系的範囲にまたがる自動Abaqusシミュレーションにより生成され, 最大等価塑性ひずみ, 平均接触塑性ひずみ, 最大温度, 最大フォン・ミセス応力, 変形率を含む5つの出力目標を得た。 グラフSAGE型インダクティブグラフニューラルネットワーク,チェビシェフスペクトルグラフ畳み込みネットワーク,トポロジカルデータ解析拡張多層パーセプトロン,幾何学的アテンションネットワークの4つの新しいアルゴリズムを実装し,評価した。 各サンプルは,k-nearest-neighbour特徴空間グラフのノードとして扱われ,トレーニング中のプロセス条件間の空間的類似性を利用した。 3次元特徴空間の可視化と2次元輪郭投影により,入力-出力関係の非線形および速度優先性が確認された。 定量評価の結果,GraphSAGEとGATはR-square値がほぼ0.93以上であり,GATは最大塑性ひずみに対して0.97以下であることがわかった。 ChebSpectral と TDA-MLP は、いくつかのターゲットに対して負のR-二乗値を得るほど、かなり悪い性能を示した。 これらの知見は, 寒冷噴霧プロセス最適化のための頑健で物理的に解釈可能なサロゲートモデリング戦略として, 空間グラフに基づく近傍アグリゲーションを確立した。

関連論文リスト

• Multiscale Graph Neural Network for Turbulent Flow-Thermal Prediction Around a Complex-Shaped Pin-Fin [1.0195618602298682]
  本研究では, 定常, 乱流, 熱的挙動を予測できる領域認識型マルチスケールグラフニューラルネットワークの開発について述べる。 ネットワークは、境界層、再循環、およびピンフィンの上流の停滞領域を精度良く予測し、壁時間を2～3桁削減した。
  論文  参考訳（メタデータ） (2025-08-28T16:46:03Z)
• Efficient modeling of sub-kilometer surface wind with Gaussian processes and neural networks [0.0]
  風は、その空間的および時間的変動が高いため、モデルにとって特に困難な変数である。 本稿では,ガウス過程とニューラルネットワークを統合した表面風洞をサブキロメートル分解能でモデル化する手法を提案する。
  論文  参考訳（メタデータ） (2024-05-21T09:07:47Z)
• A Mean-Field Analysis of Neural Stochastic Gradient Descent-Ascent for Functional Minimax Optimization [90.87444114491116]
  本稿では,超パラメトリック化された2層ニューラルネットワークの無限次元関数クラス上で定義される最小最適化問題について検討する。 i) 勾配降下指数アルゴリズムの収束と, (ii) ニューラルネットワークの表現学習に対処する。 その結果、ニューラルネットワークによって誘導される特徴表現は、ワッサーシュタイン距離で測定された$O(alpha-1)$で初期表現から逸脱することが許された。
  論文  参考訳（メタデータ） (2024-04-18T16:46:08Z)
• Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
  大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。 我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-01T16:59:21Z)
• Flexible Isosurface Extraction for Gradient-Based Mesh Optimization [65.76362454554754]
  本研究では、勾配に基づくメッシュ最適化について考察し、スカラー場の等曲面として表現することで、3次元表面メッシュを反復的に最適化する。 我々は、幾何学的、視覚的、あるいは物理的目的に対して未知のメッシュを最適化するために特別に設計された、異面表現であるFlexiCubesを紹介する。
  論文  参考訳（メタデータ） (2023-08-10T06:40:19Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• NuSPAN: A Proximal Average Network for Nonuniform Sparse Model -- Application to Seismic Reflectivity Inversion [23.080395291046408]
  我々は, 地震データの高分解能回復の観点から, 近位脱畳の問題を解く。 凸と非一様シグナライザの組み合わせを用いる。 結果として生じるスパースネットワークアーキテクチャは、データ駆動方式で取得できる。
  論文  参考訳（メタデータ） (2021-05-01T04:33:02Z)
• Inference on the Change Point for High Dimensional Dynamic Graphical Models [9.74000189600846]
  動的に進化するグラフィカルモデルに対する変化点パラメータの推定器を開発する。 グラフィカルモデルパラメータのプラグイン推定に対する十分な適応性を保持する。 RNA配列のデータと若年者および高齢者間の変化を図示する。
  論文  参考訳（メタデータ） (2020-05-19T19:15:32Z)

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。