論文の概要: Physics-Informed Discovery of Yield Functions in Plasticity via Convex Neural Representations

• arxiv url: http://arxiv.org/abs/2606.19375v1
• Date: Fri, 12 Jun 2026 08:04:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.415273
• Title: Physics-Informed Discovery of Yield Functions in Plasticity via Convex Neural Representations
• Title（参考訳）: 凸神経表現による塑性における収量関数の物理インフォームド発見
• Authors: Hyeonbin Moon, Donghyuk Cho, Jecheon Yu, Jeong Whan Yoon, Seunghwa Ryu,
• Abstract要約: 本研究では,全フィールド変位データと力データから収率関数を検出する物理インフォームドフレームワークを提案する。 このフレームワークは、弾塑性応力積分内の機械的拘束成分として収率関数を同定する。 提案したフレームワークは、フォン・ミーゼス、ヒル1948、Yld2000-2dの収率関数を用いた有限要素(FE)ベンチマークを用いて検証されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identifying anisotropic yield functions remains challenging since yielding is not directly observed in full-field mechanical measurements, directional calibration can require many loading directions, and selecting an appropriate analytical form is nontrivial. This study proposes a physics-informed framework for discovering yield functions from full-field displacement data and reaction force data, without stress observations, plastic strain measurements, direct yield surface data, or a prescribed parametric yield function. The framework identifies the yield function as a mechanically constrained constitutive component inside elastoplastic stress integration, rather than through direct stress-space supervision. The yield function is represented by a convex neural network that enforces convexity and positive homogeneity of degree one while imposing the assumed tension-compression symmetry, and this neural yield function is trained with a differentiable stress update and a physics-informed force equilibrium loss across multiple loading cases. The proposed framework is validated using finite element (FE) benchmark studies with von Mises, Hill 1948, and Yld2000-2d yield functions, assessing yield contour agreement, displacement-noise sensitivity, identifiability through plastically active stress states, epistemic uncertainty, and polynomial-surrogate deployment. This study provides a mechanics-constrained pathway for discovering anisotropic yield functions from displacement and force data while keeping the identified component within the structure of elastoplastic stress integration.
• Abstract（参考訳）: 非等方性収率関数の同定は、全場の機械的測定では直接観測されないため、方向キャリブレーションには多くの負荷方向が必要であり、適切な解析形式を選択することは容易ではないため、依然として困難である。 本研究では, 応力観察, 塑性ひずみ測定, 直接収量表面データ, 所定のパラメトリック収率関数を使わずに, フルフィールド変位データと反応力データから収率関数を発見する物理インフォームドフレームワークを提案する。 このフレームワークは、直接的な応力空間の監督ではなく、弾塑性の応力積分における機械的に制約された構成成分として収率関数を識別する。 利得関数は、仮定された張力圧縮対称性を付与しながら次数1の凸性及び正の均一性を強制する凸ニューラルネットワークで表され、この利得関数は、複数のローディングケースにまたがる微分可能な応力更新と物理インフォームド力平衡損失で訓練される。 提案フレームワークは,フォン・ミーゼス,ヒル1948,Yld2000-2dの収率関数を用いた有限要素法を用いて,収率輪郭一致,変位雑音感度,塑性活性応力状態による識別性,エピステマティック不確実性,多項式-サロゲート展開の評価を行った。 本研究は, 弾塑性応力積分構造内に同定された成分を保持しつつ, 変位および力データから異方性収率関数を検出するための機械的拘束経路を提供する。

関連論文リスト

• Discovery of interaction and diffusion kernels in particle-to-mean-field multi-agent systems [41.99844472131922]
  マルチエージェントシステムにおけるインタラクションカーネルの学習のためのデータ駆動型フレームワークを提案する。 本研究の目的は, 軌道データから直接非局所相互作用と拡散項の関数形式を同定することである。
  論文  参考訳（メタデータ） (2026-03-16T21:19:25Z)
• Adaptive Manipulation Potential and Haptic Estimation for Tool-Mediated Interaction [14.888648782445694]
  本稿では,ツール間相互作用の統一表現として,パラメータ化された平衡マニフォールド(EM)を提案する。 我々は,ハプティック推定,オンライン計画,適応剛性制御を統合したクローズドループフレームワークを開発した。 このフレームワークはシミュレーションと260以上の現実世界のスクリューロージング試験によって検証されている。
  論文  参考訳（メタデータ） (2026-03-11T02:57:55Z)
• Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
  不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。 既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。 我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
  論文  参考訳（メタデータ） (2026-02-11T02:00:25Z)
• Deep Deterministic Nonlinear ICA via Total Correlation Minimization with Matrix-Based Entropy Functional [41.05541240448253]
  ブラインドソース分離、特に独立成分分析(ICA)は、様々な信号処理領域で広く利用されている。 本稿では、これらの制約に対処するために設計された新しいディープニューラルネットワークベースのフレームワークであるディープ決定論的非線形独立成分分析(DDICA)を提案する。 DDICAは, シミュレーション信号混合, ハイパースペクトル画像アンミックス, 一次受容野のモデリング, およびfMRIデータ解析など, 様々な応用で検証された。
  論文  参考訳（メタデータ） (2025-12-31T19:44:19Z)
• PROD: Palpative Reconstruction of Deformable Objects through Elastostatic Signed Distance Functions [0.0]
  PROD(Palpative Reconstruction of Deformables)は、変形可能な物体の形状と機械的特性を再構築する新しい手法である。 我々は,物体の変形をエラストスタティックな過程としてモデル化し,そのSDFを推定するためのポアソン方程式を導出する。 擬似ソフトボディ相互作用におけるポーズ誤差,非正規力応用,曲率誤差の処理におけるPRDの堅牢性を示す。
  論文  参考訳（メタデータ） (2025-08-18T01:13:58Z)
• Fully data-driven inverse hyperelasticity with hyper-network neural ODE fields [0.0]
  閉形方程式を使わずに異種材料の力学特性を同定するための新しい枠組みを提案する。 通常のニューラル微分方程式(NODE)に基づいて構築された物理に基づくデータ駆動法を用いて方程式を探索する。 提案手法は、非常に少数の仮定で異種物質の力学的性質を同定する上で、堅牢で一般的なものである。
  論文  参考訳（メタデータ） (2025-06-09T18:50:14Z)
• Analog In-memory Training on General Non-ideal Resistive Elements: The Impact of Response Functions [46.75046795995564]
  AIMCハードウェアでは、トレーニング可能な重量は抵抗素子のコンダクタンスで表され、連続する電気パルスを用いて更新される。 コンダクタンスはパルスごとに一定変化するが、実際には非対称および非線形応答関数によってスケールされ、非理想的トレーニングのダイナミクスをもたらす。 本稿では,AIMCハードウェアにおける非理想応答関数を用いた勾配学習の理論的基礎を提供する。
  論文  参考訳（メタデータ） (2025-02-10T09:56:15Z)
• Use of Deep Neural Networks for Uncertain Stress Functions with Extensions to Impact Mechanics [9.73713941604395]
  本研究では、不確実性を捉えるために、量子回帰を伴う状態関数としてストレスをモデル化するためのディープニューラルネットワークアプローチを提案する。 これらのモデルを、微分方程式を用いて一軸衝撃力学に拡張し、ユースケースを実証し、この不確実性を考慮したストレス関数を実装するためのフレームワークを提供する。
  論文  参考訳（メタデータ） (2023-11-03T00:12:24Z)
• Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
  ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。 潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-21T14:22:14Z)

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。