論文の概要: Predicting Stress-strain Behaviors of Additively Manufactured Materials via Loss-based and Activation-based Physics-informed Machine Learning
- arxiv url: http://arxiv.org/abs/2603.14489v1
- Date: Sun, 15 Mar 2026 17:13:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-17 16:19:35.845154
- Title: Predicting Stress-strain Behaviors of Additively Manufactured Materials via Loss-based and Activation-based Physics-informed Machine Learning
- Title（参考訳）: ロスベースおよびアクティベーションベース物理インフォームド機械学習による添加材料の応力-ひずみ挙動の予測
- Authors: Chenglong Duan, Dazhong Wu,
- Abstract要約: 本稿では, 物理インフォームド・機械学習(PIML)フレームワークを提案し, 加法的に作製した材料の応力-ひずみ曲線を予測するための予測性能と物理的整合性を向上する。
回帰モデルを用いてAMプロセスパラメータから降伏点を予測し、応力-ひずみ曲線を弾性領域と塑性領域に分割する。
- 参考スコア（独自算出の注目度）: 2.2201528765499416
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting the stress-strain behaviors of additively manufactured materials is crucial for part qualification in additive manufacturing (AM). Conventional physics-based constitutive models often oversimplify material properties, while data-driven machine learning (ML) models often lack physical consistency and interpretability. To address these issues, we propose a physics-informed machine learning (PIML) framework to improve the predictive performance and physical consistency for predicting the stress-strain curves of additively manufactured polymers and metals. A polynomial regression model is used to predict the yield point from AM process parameters, then stress-strain curves are segmented into elastic and plastic regions. Two long short-term memory (LSTM) models are trained to predict two regions separately. For the elastic region, Hooke's law is embedded into the LSTM model for both polymer and metal. For the plastic region, Voce hardening law and Hollomon's law are embedded into the LSTM model for polymer and metal, respectively. The loss-based and activation-based PIML architectures are developed by embedding the physical laws into the loss and activation functions, respectively. The performance of the two PIML architectures are compared with two LSTM-based ML models, three additional ML models, and a physics-based constitutive model. These models are built on experimental data collected from two additively manufactured polymers (i.e., Nylon and carbon fiber-acrylonitrile butadiene styrene) and two additively manufactured metals (i.e., AlSi10Mg and Ti6Al4V). Experimental results demonstrate that two PIML architectures consistently outperform the other models. The segmental predictive model with activation-based PIML architecture achieves the lowest MAPE of 10.46+/-0.81% and the highest R^2 of 0.82+/-0.05 arocss four datasets.
- Abstract（参考訳）: 添加性材料の応力-ひずみ挙動の予測は、添加性製造(AM)のパート資格に不可欠である。
従来の物理に基づく構成モデルは材料特性を単純化することが多いが、データ駆動機械学習(ML)モデルは物理的一貫性と解釈性に欠けることが多い。
これらの問題に対処するために,加法的に製造された高分子および金属の応力-ひずみ曲線を予測するための予測性能と物理的整合性を改善するために,物理インフォームド・機械学習(PIML)フレームワークを提案する。
多項式回帰モデルを用いてAMプロセスパラメータから収率を予測し、応力-ひずみ曲線を弾性領域と塑性領域に分割する。
2つの長期記憶モデル(LSTM)は2つの領域を別々に予測するために訓練される。
弾性領域では、フックの法則はポリマーと金属の両方のLSTMモデルに埋め込まれる。
プラスチック領域では、ボイス硬化法とホロモン法則がそれぞれポリマーと金属のLSTMモデルに埋め込まれている。
損失に基づくPIMLアーキテクチャとアクティベーションに基づくPIMLアーキテクチャは、それぞれ物理法則を損失関数とアクティベーション関数に埋め込むことによって開発される。
2つのPIMLアーキテクチャの性能は、LSTMベースの2つのMLモデル、追加の3つのMLモデル、物理ベースの構成モデルと比較される。
これらのモデルは、ナイロンおよび炭素繊維-アクリロニトリルブタジエンスチレン)と2つの添加金属(AlSi10MgおよびTi6Al4V)から得られた実験データに基づいて構築される。
2つのPIMLアーキテクチャが他のモデルより一貫して優れていることを示す実験結果が得られた。
活性化に基づくPIMLアーキテクチャを用いたセグメント予測モデルは10.46+/-0.81%の最小MAPEと0.82+/-0.05の最高R^2の4つのデータセットを達成する。
関連論文リスト
- Why Physics Still Matters: Improving Machine Learning Prediction of Material Properties with Phonon-Informed Datasets [0.32622301272834514]
2種類のデータセットに対して学習したグラフニューラルネットワーク(GNN)モデルの有効性を評価する。
ケーススタディでは,光電子材料の原型ファミリーの電子的および機械的特性を予測するという課題に対処する。
フォノンインフォームドモデルは、データポイントが少ないにもかかわらず、ランダムに訓練されたモデルよりも一貫して優れています。
論文 参考訳（メタデータ） (2025-11-19T08:16:10Z) - Potential failures of physics-informed machine learning in traffic flow modeling: theoretical and experimental analysis [5.055539099879598]
本研究では,物理インフォームド・機械学習 (PIML) がマクロな交通流モデリングに失敗する原因について検討する。
障害を、PIMLモデルが純粋にデータ駆動と純粋に物理ベースラインの両方を所定の閾値で下回る場合として定義する。
LWRベースのPIMLが高解像度のデータでもARZベースのPIMLより優れている理由を説明する。
論文 参考訳（メタデータ） (2025-05-16T17:55:06Z) - A machine learning platform for development of low flammability polymers [42.758516311179534]
可燃性指数 (FI) とコーンカロリー測定結果(最大放火率, 点火時間, 総煙放出量, 発火速度など)は, 高分子の火災安全性を評価する上で重要な要因である。
本研究では,これらの可燃性指標を予測するための機械学習(ML)技術の利用について検討する。
論文 参考訳（メタデータ） (2025-03-31T20:50:29Z) - MAPS: Advancing Multi-Modal Reasoning in Expert-Level Physical Science [62.96434290874878]
現在のMLLM(Multi-Modal Large Language Models)は、一般的な視覚的推論タスクにおいて強力な機能を示している。
我々は,MLLMに基づく物理知覚とシミュレーションによるマルチモーダル科学推論(MAPS)という新しいフレームワークを開発した。
MAPSは、専門家レベルのマルチモーダル推論タスクを物理的知覚モデル(PPM)を介して物理図理解に分解し、シミュレータを介して物理的知識で推論する。
論文 参考訳（メタデータ） (2025-01-18T13:54:00Z) - Extrapolative ML Models for Copolymers [1.901715290314837]
機械学習モデルは、材料特性の予測に徐々に使われてきた。
これらのモデルは本質的に補間的であり、物質の既知の特性範囲外の候補を探索するための有効性は未解決である。
本稿では,MLモデルの外挿能力,トレーニングデータセットのサイズと範囲,学習アプローチとの関係について検討する。
論文 参考訳（メタデータ） (2024-09-15T11:02:01Z) - Large language models, physics-based modeling, experimental measurements: the trinity of data-scarce learning of polymer properties [10.955525128731654]
大規模言語モデル(LLM)は、評価、分析、設計のための高速で正確な物質モデリングパラダイムとして約束される。
データ不足の病理に対処する物理ベースのトレーニングパイプラインを提案する。
論文 参考訳（メタデータ） (2024-07-03T02:57:40Z) - Overcoming systematic softening in universal machine learning interatomic potentials by fine-tuning [3.321322648845526]
機械学習原子間ポテンシャル(MLIP)は原子シミュレーションの新しいパラダイムを導入した。
近年,多種多様な資料データセットで事前学習したユニバーサルMLIP(uMLIP)が出現している。
分布外の複雑な原子環境に対する外挿性能はいまだに不明である。
論文 参考訳（メタデータ） (2024-05-11T22:30:47Z) - A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文 参考訳（メタデータ） (2024-01-26T09:35:17Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2021-10-18T14:43:50Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳（メタデータ） (2021-06-08T10:14:57Z)
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。