論文の概要: A Physics-Informed Neural Network Framework for Elastodynamic Wave Propagation in Bimaterial Systems
- arxiv url: http://arxiv.org/abs/2607.06479v1
- Date: Tue, 07 Jul 2026 16:34:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.589827
- Title: A Physics-Informed Neural Network Framework for Elastodynamic Wave Propagation in Bimaterial Systems
- Title（参考訳）: バイマテリアルシステムにおける弾性波伝搬のための物理インフォームニューラルネットワークフレームワーク
- Abstract要約: 物理インフォームドニューラルネットワーク(PINN)は偏微分方程式を解くための有望な枠組みを提供する。
本研究では,バイマテリアルシステムにおける一過性エラストダイナミック波伝搬をモデル化するためのPINNベースの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）: 2.55052475593932
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Physics-informed neural networks (PINNs) provide a promising framework for solving partial differential equations while embedding the underlying physical laws directly into the learning process. This study presents a PINN-based framework for modeling transient elastodynamic wave propagation in bimaterial systems governed by the axisymmetric equations of linear elasticity. A steel-aluminum specimen representative of a Split Hopkinson Pressure Bar configuration is considered, and the governing elastodynamic equations, together with the corresponding initial, boundary, and interface conditions, are incorporated directly into the network through a physics-informed loss function. High-fidelity finite-element simulations performed using ANSYS Workbench Explicit Dynamics are used for validation and as supplementary data constraints during training. The proposed framework accurately predicts wave transmission and reflection across the bimaterial interface and reproduces axial and radial displacement histories, face-averaged responses, and the dominant stress and strain evolution with close agreement to the finite-element solutions. The trained network further demonstrates the ability to predict wave responses at previously unseen time instants and for modified material properties without requiring additional finite-element simulations, providing a continuous surrogate model for elastodynamic analysis. Mesh-sensitivity studies confirm numerical robustness, while additional material combinations demonstrate the generality of the proposed methodology. The results show that integrating physics-informed neural networks with explicit finite-element analysis provides an accurate and computationally efficient framework for elastodynamic wave propagation in heterogeneous solids, offering an effective surrogate modeling approach for high-rate solid mechanics and impact engineering applications.
- Abstract（参考訳）: 物理インフォームドニューラルネットワーク(PINN)は、基礎となる物理法則を直接学習プロセスに埋め込みながら偏微分方程式を解くための有望なフレームワークを提供する。
本研究では, 線形弾性の軸対称方程式に支配されるバイマテリアルシステムにおいて, 過渡的エラストダイナミック波伝播をモデル化するためのPINNに基づくフレームワークを提案する。
スプリットホプキンソン圧力バーの構成を表す鋼-アルミニウム試料を考察し、対応する初期、境界、界面条件とともに制御エラストダイナミック方程式を物理インフォームド損失関数を介してネットワークに直接組み込む。
ANSYS Workbench Explicit Dynamicsを用いた高忠実有限要素シミュレーションは、トレーニング中に検証や補足データ制約として用いられる。
提案フレームワークはバイマテリアル界面の波動透過と反射を正確に予測し, 軸方向および半径方向の変位履歴, 面平均応答, 有限要素溶液との密接な一致による支配的応力とひずみの進展を再現する。
さらに、トレーニングされたネットワークは、追加の有限要素シミュレーションを必要とせずに、これまで見られなかった瞬間に波動応答を予測し、修正された材料特性を予測できることを示し、エラストダイナミック解析のための連続的な代理モデルを提供する。
メッシュ感度研究は数値ロバスト性を確認し、追加の材料の組み合わせは提案手法の汎用性を実証する。
その結果、物理インフォームドニューラルネットワークと明示的な有限要素解析を統合することで、異種固体における弾性波伝搬の正確かつ効率的なフレームワークが得られ、高速度固体力学および衝撃工学応用のための効果的な代理モデリングアプローチが提供されることがわかった。
関連論文リスト
- Momentum-Conserving Graph Neural Networks for Deformable Objects [64.91655405516482]
建設によって運動量を正確に追跡する新しいアーキテクチャであるMomentumGNNを提案する。
制約のない結節加速度を出力する既存のGNNとは異なり、我々のモデルはエッジの伸張と曲げインパルスを予測する。
本稿では,モーメントが重要な役割を果たす多くの一般的なシナリオにおいて,本手法がベースラインを上回っていることを示す。
論文 参考訳（メタデータ） (2026-04-28T20:19:33Z) - Fractional-order Modeling for Nonlinear Soft Actuators via Particle Swarm Optimization [49.34452620841728]
本稿では, ソフト材料の動的挙動を捉えるために, 分数次微分方程式(FODE)に基づく革新的なモデリング手法を提案する。
提案手法は,ソフトアクチュエータに固有の複雑な変形現象を効果的に表現する。
論文 参考訳（メタデータ） (2025-12-20T04:46:25Z) - Physical Informed Neural Networks for modeling ocean pollutant [1.393499936476792]
本稿では,2次元対流拡散方程式により制御される汚染物質の分散をシミュレートする枠組みを提案する。
このモデルは、物理法則を埋め込み、ノイズの多い合成データに適合させることで、物理的に一貫した予測を実現する。
論文 参考訳（メタデータ） (2025-07-07T04:21:09Z) - 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) - KITINet: Kinetics Theory Inspired Network Architectures with PDE Simulation Approaches [43.872190335490515]
本稿では,非平衡粒子動力学のレンズによる特徴伝播を再解釈する新しいアーキテクチャKITINetを紹介する。
そこで本研究では,粒子系の進化をモデルとした残留モジュールを提案する。
この定式化は粒子衝突とエネルギー交換を模倣し、物理インフォームド相互作用による適応的特徴改善を可能にする。
論文 参考訳（メタデータ） (2025-05-23T13:58:29Z) - 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) - Constrained Synthesis with Projected Diffusion Models [47.56192362295252]
本稿では, 制約や物理原理の遵守を満足し, 証明する上で, 生成拡散プロセスへのアプローチを紹介する。
提案手法は, 従来の生成拡散過程を制約分布問題として再キャストし, 制約の順守を保証する。
論文 参考訳（メタデータ） (2024-02-05T22:18:16Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - Physics-informed UNets for Discovering Hidden Elasticity in
Heterogeneous Materials [0.0]
弾性インバージョンのための新しいUNetベースニューラルネットワークモデル(El-UNet)を開発した。
完全接続された物理インフォームドニューラルネットワークと比較して,El-UNetによる精度と計算コストの両面で優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-01T23:35:03Z) - 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) - A physics-informed deep neural network for surrogate modeling in
classical elasto-plasticity [0.0]
本稿では,古典的弾塑性関係を効率的に近似するディープニューラルネットワークアーキテクチャを提案する。
このネットワークは、弾性および塑性部分へのひずみの付加的な分解を含む古典的エラスト塑性の重要な物理的な側面に富んでいる。
ニューラルネットワークのアーキテクチャにこれらの物理を組み込むことで、トレーニングデータの少ないネットワークのより効率的なトレーニングが可能になることを示す。
論文 参考訳（メタデータ） (2022-04-26T05:58:13Z) - Physics-informed neural networks for modeling rate- and
temperature-dependent plasticity [3.1861308132183384]
本研究は, 弾性粘塑性固体の変形磁場のひずみ速度と温度依存性をモデル化する物理インフォームニューラルネットワークに基づく枠組みを提案する。
論文 参考訳（メタデータ） (2022-01-20T18:49:27Z)
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。