論文の概要: On Surrogate Modeling of Static Response of AM Short-Fiber Thermoplastics Using Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2606.28996v1
• Date: Sat, 27 Jun 2026 16:18:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.755447
• Title: On Surrogate Modeling of Static Response of AM Short-Fiber Thermoplastics Using Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークを用いたAM短繊維熱可塑性の静的応答のサロゲートモデルについて
• Abstract要約: 短繊維熱可塑性(SFT)複合材料は、軽量な航空宇宙と自動車構造にますます採用されている。 SFTの機械的応答は、繊維配向、空間クラスタリング、製造誘起ポーシティ間のメソスケール相互作用によって制御される。 AM-CM SFTの機械的挙動を予測するために,データ駆動型サロゲートフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.9158247555026059
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Short-fiber thermoplastic (SFT) composites are increasingly employed in lightweight aerospace and automotive structures owing to their favorable strength-to-weight ratio, high production rates, and recyclability. Unlike continuous-fiber systems, the mechanical response of SFTs is governed by mesoscale interactions among fiber orientation, spatial clustering, and manufacturing-induced porosity. These features exhibit significant spatial variability in manufactured components and influence stiffness, damage initiation, and nonlinear deformation. Although mesoscale finite element (FE) models can resolve such heterogeneity, their application to realistic three-dimensional microstructures remains computationally intractable. A data-driven surrogate framework is proposed to predict the mechanical behavior of additively manufactured, compression-molded (AM-CM) SFTs. Microstructures reconstructed from micro-computed tomography data were discretized into Voronoi-based cells representing distinct fiber-interaction neighborhoods. Each cell was homogenized via nonlinear FE simulations incorporating matrix damage, and the resulting stress-strain responses trained a hybrid Graph Neural Network-Long Short-Term Memory (GNN-LSTM) architecture encoding microstructural topology and history-dependent mechanical evolution. The surrogate accurately predicts stiffness and stress-strain behavior of unseen microstructures, achieving $R^2\approx 0.98$ relative to high-fidelity FE simulations with over two orders-of-magnitude reduction in computational cost. Coupling the framework with experimentally calibrated damage laws demonstrates that fiber orientation, clustering, and porosity collectively govern local effective stiffness. The approach provides a physics-informed, data-efficient pathway to identify mechanically weak microstructural cells and accelerate digital-twin development for SFT components.
• Abstract（参考訳）: 短繊維熱可塑性(SFT)複合材料は、好適な強度と重量比、高い生産率、リサイクル性のために、軽量な航空宇宙と自動車構造にますます採用されている。 連続繊維系とは異なり、SFTの機械的応答は、繊維配向、空間クラスタリング、製造誘起ポーティリティの間のメソスケール相互作用によって制御される。 これらの特徴は製造部品に顕著な空間変動を示し, 剛性, 損傷開始, 非線形変形に影響を及ぼす。 メソスケール有限要素(FE)モデルはそのような不均一性を解決することができるが、現実的な3次元マイクロ構造への応用は計算上は困難である。 データ駆動型サロゲートフレームワークを提案し, 加重成形型圧縮成形(AM-CM)SFTの機械的挙動を予測した。 マイクロ計算トモグラフィーデータから再構成した組織は、異なる繊維相互作用近傍を示すボロノイ系細胞に識別された。 各細胞は、マトリックス損傷を取り入れた非線形FEシミュレーションにより均質化され、結果として生じるストレス-ひずみ応答は、マイクロ構造トポロジーと履歴に依存した機械的進化をコードするハイブリッドグラフニューラルネットワーク-Long Short-Term Memory (GNN-LSTM)アーキテクチャを訓練した。 このサロゲートは、計算コストを2桁以上削減した高忠実度FEシミュレーションに対して、R^2\approx 0.98$を達成して、目に見えないミクロ構造の硬さと応力-ひずみ挙動を正確に予測する。 フレームワークを実験的に校正された損傷法則と組み合わせることで、繊維の配向、クラスタリング、ポーシティが局所的な有効硬さを総括的に支配していることが示される。 このアプローチは、物理インフォームドされたデータ効率の高い経路を提供し、機械的に弱いミクロ構造細胞を特定し、SFTコンポーネントのデジタル双対開発を加速する。

関連論文リスト

• Hybrid Physics-Machine Learning Models for Quantitative Electron Diffraction Refinements [37.74101322610068]
  本稿では,ニューラルネットワークに微分可能な物理シミュレーションを統合するハイブリッド物理機械学習フレームワークを提案する。 我々は3次元電子回折(3D-ED)構造改善への応用を通して,この枠組みを実証する。
  論文  参考訳（メタデータ） (2025-08-08T00:13:12Z)
• Modeling Membrane Degradation in PEM Electrolyzers with Physics-Informed Neural Networks [45.32169712547367]
  プロトン交換膜 (PEM) 電解器は持続可能な水素製造に重要である。 長期的な性能は膜劣化によって妨げられ、信頼性と安全性の課題を引き起こす。 従来の物理学に基づくモデルが開発され、解釈可能性を提供しているが、測定や校正が難しい多くのパラメータを必要とする。 本研究では,PEM電解器の膜劣化をモデル化するための物理インフォームドニューラルネットワーク(PINN)の最初の応用について述べる。
  論文  参考訳（メタデータ） (2025-06-19T15:46:49Z)
• High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
  入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。 近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。 機能適応型INR(FA-INR)を提案する。
  論文  参考訳（メタデータ） (2025-06-07T16:45:17Z)
• Spatiotemporal Field Generation Based on Hybrid Mamba-Transformer with Physics-informed Fine-tuning [46.67399627400437]
  この研究は、訓練されたモデルによる物理場の生成における物理方程式の相当な相違に直面する。 HMT-PFという名称の物理場生成モデルは、ハイブリッドのMamba-Transformerアーキテクチャに基づいて開発されている。
  論文  参考訳（メタデータ） (2025-05-16T14:40:56Z)
• Predicting Stress and Damage in Carbon Fiber-Reinforced Composites Deformation Process using Composite U-Net Surrogate Model [3.4116927260734506]
  炭素繊維強化複合材料(CFRC)は、その異常な機械的特性により、高度な工学的応用において重要である。 機械的負荷下でのCFRCの挙動の深い理解は、航空宇宙構造などの要求された応用における性能の最適化に不可欠である。 本研究では, CFRC変形時の応力場と損傷場を同時に予測する, 自己回帰型複合U-Netディープラーニングモデルを提案する。
  論文  参考訳（メタデータ） (2025-04-19T02:29:39Z)
• A Neural Network Transformer Model for Composite Microstructure Homogenization [1.2277343096128712]
  森田中法のような均質化法は、幅広い構成特性に対して急速な均質化をもたらす。 本稿では,様々なミクロ構造の知識を捉えたトランスフォーマーニューラルネットワークアーキテクチャについて述べる。 ネットワークは、履歴に依存し、非線形で、均質化されたストレス-ひずみ応答を予測する。
  論文  参考訳（メタデータ） (2023-04-16T19:57:52Z)
• LS-DYNA Machine Learning-based Multiscale Method for Nonlinear Modeling of Short Fiber-Reinforced Composites [7.891561501854125]
  短繊維強化複合材料(英: short-fiber-reinforceed Composites、SFRC)は、自動車やエレクトロニクス産業における軽量構造応用のための高性能な工学材料である。 本研究では, 射出成形による微細構造, 材料均質化, 深層材料ネットワーク(DMN)を統合し, SFRCの構造解析を行う機械学習によるマルチスケール手法を提案する。
  論文  参考訳（メタデータ） (2023-01-06T22:33:19Z)
• A micromechanics-based recurrent neural networks model for path-dependent cyclic deformation of short fiber composites [0.0]
  本研究では, 短繊維強化複合材料の経路依存性弾塑性応力応答を予測するために, 繰り返し深部ニューラルネットワークモデルを訓練する。 このモデルは、独立したマイクロメカニカルシミュレーションと比較した場合、計算的に非常に正確な予測を与える。
  論文  参考訳（メタデータ） (2022-09-27T12:14:15Z)
• Linking Properties to Microstructure in Liquid Metal Embedded Elastomers via Machine Learning [0.0]
  液体金属(LM)はエラストマーマトリックスに埋め込まれ、独特の熱、誘電体、機械的特性を持つ軟質複合材料が得られる。 これらの材料の性質と構造を結びつけることにより、材料設計を合理的に行うことができる。
  論文  参考訳（メタデータ） (2022-07-24T06:02:26Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)
• Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
  ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。 既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。 ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
  論文  参考訳（メタデータ） (2021-06-15T17:22:59Z)

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。