論文の概要: The High Explosives and Affected Targets (HEAT) Dataset

• arxiv url: http://arxiv.org/abs/2604.18828v1
• Date: Mon, 20 Apr 2026 20:51:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.483471
• Title: The High Explosives and Affected Targets (HEAT) Dataset
• Title（参考訳）: 高爆発性と影響ターゲット(HEAT)データセット
• Authors: Bryan Kaiser, Kyle Hickmann, Sharmistha Chakrabarti, Soumi De, Sourabh Pandit, David Schodt, Jesus Pulido, Divya Banesh, Christine Sweeney,
• Abstract要約: High-Explosives and Affected Targets (HEAT) データセットは、2次元の円筒対称シミュレーションの物理学的なコレクションである。 HEATは衝撃伝播、運動量移動、塑性変形、熱効果などの重要な現象を捉えている。 マルチマテリアルショック物理のAI/MLモデルのベンチマークデータセットを提供する。
• 参考スコア（独自算出の注目度）: 0.19661503834671126
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Artificial Intelligence (AI) surrogate models provide a computationally efficient alternative to full-physics simulations, but no public datasets currently exist for training and validating models of high-explosive-driven, multi-material shock dynamics. Simulating shock propagation is challenging due to the need for material-specific equations of state (EOS) and models of plasticity, phase change, damage, fluid instabilities, and multi-material interactions. Explosive-driven shocks further require reactive material models to capture detonation physics. To address this gap, we introduce the High-Explosives and Affected Targets (HEAT) dataset, a physics-rich collection of two-dimensional, cylindrically symmetric simulations generated using an Eulerian multi-material shock-propagation code developed at Los Alamos National Laboratory. HEAT consists of two partitions: expanding shock-cylinder (CYL) simulations and Perturbed Layered Interface (PLI) simulations. Each entry includes time series of thermodynamic fields (pressure, density, temperature), kinematic fields (position, velocity), and continuum quantities such as stress. The CYL partition spans a range of materials, including metals (aluminum, copper, depleted uranium, stainless steel, tantalum), a polymer, water, gases (air, nitrogen), and a detonating material. The PLI partition explores varied geometries with fixed materials: copper, aluminum, stainless steel, polymer, and high explosive. HEAT captures key phenomena such as shock propagation, momentum transfer, plastic deformation, and thermal effects, providing a benchmark dataset for AI/ML models of multi-material shock physics.
• Abstract（参考訳）: 人工知能(AI)サロゲートモデルは、フル物理シミュレーションの計算に効率的な代替手段を提供するが、高膨張駆動のマルチマテリアルショックダイナミクスのモデルをトレーニングし、検証するための公開データセットは今のところ存在しない。 物質特異的状態方程式(EOS)や塑性、相変化、損傷、流体不安定性、多物質相互作用のモデルを必要とするため、衝撃伝播のシミュレーションは困難である。 爆発によって引き起こされる衝撃は、爆発物理を捉えるために反応物質モデルを必要とする。 このギャップに対処するため,ロスアラモス国立研究所で開発されたユーレリア式多物質衝撃波伝播符号を用いて2次元の円筒対称シミュレーションを物理に富んだコレクションであるHigh-Explosives and Affected Targets (HEAT)データセットを導入した。 HEATはショックシリンダ(CYL)シミュレーションと摂動層インタフェース(PLI)シミュレーションの2つのパーティションで構成されている。 各エントリは、一連の熱力学場(圧力、密度、温度)、運動場(位置、速度)、応力などの連続体量を含む。 CYL仕切りは、金属(アルミニウム、銅、ウラン、ステンレス鋼、タンタル)、ポリマー、水、ガス(空気、窒素)、起爆材料を含む幅広い材料にまたがる。 PLIパーティションは、銅、アルミニウム、ステンレス鋼、ポリマー、高爆薬などの固定材料で様々な測地を探索する。 HEATは、衝撃伝播、運動量移動、塑性変形、熱効果などの重要な現象を捉え、多物質衝撃物理のAI/MLモデルのベンチマークデータセットを提供する。

関連論文リスト

• Predicting Stress-strain Behaviors of Additively Manufactured Materials via Loss-based and Activation-based Physics-informed Machine Learning [2.2201528765499416]
  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。
  論文  参考訳（メタデータ） (2026-03-15T17:13:36Z)
• Phys-Liquid: A Physics-Informed Dataset for Estimating 3D Geometry and Volume of Transparent Deformable Liquids [47.96212902310787]
  透明な変形可能な液体の幾何学的および体積的特性の推定は、光学的複雑さと容器運動によって引き起こされる動的表面変形により困難である。 97,200個のシミュレーション画像とそれに対応する3Dメッシュからなる物理インフォームドデータセットであるPhys-Liquidを紹介する。 実験の結果, 液体形状と体積の再構成における精度と整合性が向上し, 既存のベンチマークより優れていた。
  論文  参考訳（メタデータ） (2025-11-14T08:50:58Z)
• Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
  MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。 我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
  論文  参考訳（メタデータ） (2025-10-20T17:56:01Z)
• A physics-aware deep learning model for shear band formation around collapsing pores in shocked reactive materials [2.8897045834881343]
  本研究は, 弱い加圧を受ける結晶性エネルギー材料 (EM) におけるホットスポットの形成について検討した。 直接数値シミュレーションに伴う計算課題を克服するため,物理対応リカレント畳み込みニューラルネットワーク(PARCv2)を進歩させる。 PARCv2は、フーリエニューラル演算子とニューラル常微分方程式という、広く使われている2つの物理インフォームドモデルに対してベンチマークされる。
  論文  参考訳（メタデータ） (2025-10-08T14:20:49Z)
• Differentiable Physics-based System Identification for Robotic Manipulation of Elastoplastic Materials [43.99845081513279]
  本研究は, ロボットアームが簡単な操作動作と不完全な3次元点雲を用いて, 弾塑性材料の物理パラメータと環境を推測することのできる, 微分可能物理に基づくシステム同定(DPSI)フレームワークを提案する。 1つの現実世界の相互作用だけで、推定されたパラメータは、目に見えない、長い水平運動によって引き起こされる視覚的および物理的に現実的な振る舞いを正確にシミュレートすることができる。
  論文  参考訳（メタデータ） (2024-11-01T13:04:25Z)
• Ab initio electron-lattice downfolding: potential energy landscapes, anharmonicity, and molecular dynamics in charge density wave materials [0.0]
  計算上の課題は、特に大規模システム、長期スケール、非平衡系、強い相関関係を持つシステムにおいて発生する。 本研究は, 電子面の電子的特性と原子核運動のシミュレーションを促進するために, ダウンフォールディングアプローチが, 電子面の複雑さの低減をいかに促進するかを示す。
  論文  参考訳（メタデータ） (2023-03-13T16:41:37Z)
• 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。