論文の概要: DeepFEAv2: Deep Learning for Transient Finite Element Analysis Beyond Structured Meshes
- arxiv url: http://arxiv.org/abs/2609.26426v1
- Date: Tue, 22 Sep 2026 13:51:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-24 01:05:39.676245
- Title: DeepFEAv2: Deep Learning for Transient Finite Element Analysis Beyond Structured Meshes
- Title（参考訳）: DeepFEAv2: 構造化メッシュを越えた過渡的有限要素解析のためのディープラーニング
- Abstract要約: 本研究では、異なるFEメッシュトポロジと要素タイプにわたる一貫したFEAシミュレーションの予測を可能にするディープラーニングサロゲートフレームワークであるDeepFEAv2を提案する。
DeepFEAv2は、圧力駆動型大動脈弁データセットと同様に、構造化および非構造化の3次元線形弾性データセットで評価された。
- 参考スコア（独自算出の注目度）: 5.027714423258536
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Finite Element Analysis (FEA) is widely used for transient mechanical simulations, but its high computational cost limits real-time and high-resolution applications. Deep learning surrogate models can reduce this cost; however, many existing approaches are restricted to steady-state prediction or cannot jointly predict Node- and Element-based Outputs (NEO) over time. The state-of-the-art DeepFEA framework has addressed these issues but remains limited to structured finite element (FE) meshes. To overcome this limitation, this study proposes DeepFEAv2, a deep learning surrogate framework that enables prediction of transient FEA simulations across different FE mesh topologies and element types. The main contributions of DeepFEAv2 are: (a) a module that uses the FE connectivity matrix to organize input features by element and arrange them into an input sequence guided by the mesh topology; (b) a novel neural network architecture designed to process the input sequence and jointly predict NEO over time; and (c) a FEA-informed optimization strategy for regularizing these NEO predictions. DeepFEAv2 was evaluated on structured and unstructured 3D linear elastic datasets, as well as on a pressure-driven aortic valve dataset. DeepFEAv2 achieved R^2 values up to 0.99 and normalized errors as low as 0.38%. Compared with DeepFEA, it achieved up to 38.0% relative increase in R^2 and up to 87.1% reduction in normalized error. DeepFEAv2 also performed inference up to three orders of magnitude faster than traditional FEA. These results demonstrate that DeepFEAv2 can efficiently model transient FEA simulations across increasingly complex FE settings, providing a scalable surrogate framework for transient FEA.
- Abstract（参考訳）: 有限要素解析(FEA)は過渡的な機械シミュレーションに広く用いられているが、計算コストが高いためリアルタイムおよび高分解能の応用が制限されている。
ディープラーニングサロゲートモデルは、このコストを削減することができるが、既存の多くのアプローチは、定常的な予測に制限されるか、あるいは、時間とともにNodeとElementベースのアウトプット(NEO)を共同で予測することはできない。
最先端のDeepFEAフレームワークはこれらの問題に対処しているが、構造化有限要素(FE)メッシュに制限されている。
この制限を克服するために、異なるFEメッシュトポロジと要素タイプにわたる一貫したFEAシミュレーションの予測を可能にするディープラーニングサロゲートフレームワークであるDeepFEAv2を提案する。
DeepFEAv2の主な貢献は次のとおりである。
(a)FE接続行列を用いて入力特徴を要素単位で整理し、メッシュトポロジで案内された入力シーケンスに配置するモジュール
b)入力シーケンスを処理し、時間とともに共同でNEOを予測するように設計された新しいニューラルネットワークアーキテクチャ
(c)これらのNEO予測を正規化するためのFEAインフォームド最適化戦略。
DeepFEAv2は、圧力駆動型大動脈弁データセットと同様に、構造化および非構造化の3次元線形弾性データセットで評価された。
DeepFEAv2 は R^2 の値が 0.99 に達し、正規化エラーは 0.38% に達した。
DeepFEAと比較して、R^2の相対的な増加は38.0%、正規化エラーは87.1%まで減少した。
DeepFEAv2はまた、従来のFEAよりも最大3桁高速な推論を行った。
これらの結果は、DeepFEAv2がますます複雑なFE設定をまたいだ過渡的FEAシミュレーションを効率的にモデル化できることを示し、過渡的FEAのためのスケーラブルなサロゲートフレームワークを提供する。
関連論文リスト
- FUSE: FK-Steered Multi-Modal Flow Matching for Efficient Simulation-Based Posterior Estimation [47.3675633392999]
FUSE (Feynman-Kac steered mUlti-modal flow matching for efficient Simulation-based posterior Estimation) を導入する。
以前の作業とは異なり、FUSEは動的相互作用を容易にしながらマルチモーダル入力の異なる特徴を保存するデュアルトラックアーキテクチャを採用している。
提案手法は, 標準SBIベンチマークにおける最先端のベースラインよりも優れており, 基幹のMCMCと密に一致した後部を創出する。
論文 参考訳（メタデータ） (2026-07-06T15:59:18Z) - Mesh Based Simulations with Spatial and Temporal awareness [2.867517731896504]
本稿では,幾何学的深層学習と厳密な数値解析のギャップを埋める統一的な枠組みを提案する。
1) ノードの全局所トポロジのフィールド値を予測するステンシルレベルの目的であるマルチノード予測,(2) 時間的微分整合性,(3) 時間的交叉による不安定な定性的スキームを予測器・コレクタに置き換える時間的補正,(3) 幾何学的インダクティブ・ビアース,3) 3次元回転位置埋め込み(RoPE)を利用して非構造メッシュの回転対称性を頑健に捉える。
論文 参考訳（メタデータ） (2026-05-02T17:09:31Z) - DuaDeep-SeqAffinity: Dual-Stream Deep Learning Framework for Sequence-Only Antigen-Antibody Affinity Prediction [0.0]
従来の計算手法は、しばしば実験的に決定された3D構造に依存している。
本稿では,アミノ酸配列のみからアフィニティスコアを予測する新しいシーケンスのみのディープラーニングフレームワークであるDuaDeep-SeqAffinityを紹介する。
提案手法は,1D Convolutional Neural Networks (CNN) とTransformer encoderを併用して,事前学習したESM-2タンパク質言語モデル埋め込みを利用する。
論文 参考訳（メタデータ） (2025-12-26T12:06:59Z) - Targeted Deep Architectures: A TMLE-Based Framework for Robust Causal Inference in Neural Networks [41.07059178065932]
ネットワークのパラメータ空間に直接、TMLE(Targeted Likelihood Estimation)を直接埋め込む新しいフレームワークであるTDA(Targeted Deep Architectures)を提案する。
TDAはモデルパラメータを分割し、ターゲットの勾配に沿って反復的に更新する。
この手順は、一階偏差を除去し、有効な信頼区間を生成するプラグイン推定を与える。
論文 参考訳（メタデータ） (2025-07-16T17:24:06Z) - Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
Eucidated Rolling Diffusion Models (ERDM)を紹介する。
ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである
2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2025-06-24T21:44:31Z) - Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。
非滑らかな正規化はしばしば機械学習タスクに組み込まれる。
本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-04-17T08:32:25Z) - Factorized Implicit Global Convolution for Automotive Computational Fluid Dynamics Prediction [52.32698071488864]
非常に大きな3DメッシュのCFD問題を効率的に解く新しいアーキテクチャであるFactized Implicit Global Convolution (FIGConv)を提案する。
FIGConvは、既存の3DニューラルCFDモデルよりも大幅に改善された2次複雑性の$O(N2)$を達成する。
業界標準のAhmedボディデータセットと大規模DrivAerNetデータセットに対するアプローチを検証する。
論文 参考訳（メタデータ） (2025-02-06T18:57:57Z) - DeepFEA: Deep Learning for Prediction of Transient Finite Element Analysis Solutions [2.9784611307466187]
有限要素解析(英: Finite Element Analysis, FEA)は、物理現象をシミュレーションする強力な計算集約手法である。
機械学習の最近の進歩は、FEAを加速できるサロゲートモデルにつながっている。
この研究ギャップに触発された本研究では,ディープラーニングベースのフレームワークであるDeepFEAを提案する。
論文 参考訳（メタデータ） (2024-12-05T12:46:18Z) - Efficient and generalizable nested Fourier-DeepONet for three-dimensional geological carbon sequestration [5.77922305904338]
データ駆動機械学習を用いた代理モデリングは、物理学に基づくシミュレーションを加速する上で有望な代替手段となっている。
我々は、FNOの表現性と深層演算ネットワーク(DeepONet)のモジュラリティを組み合わせることにより、ネストしたフーリエ・ディープONetを開発した。
この新しいフレームワークは、トレーニング用のネストされたFNOの2倍効率が高く、少なくとも80%低いGPUメモリを必要とする。
論文 参考訳（メタデータ） (2024-09-25T02:58:45Z) - Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。
この研究は、単一変換による周波数領域学習のための青写真を導入している。
論文 参考訳（メタデータ） (2022-11-26T01:56:05Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z)
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。