論文の概要: Deep Learning-based Mechanical Characterization of Synthetically Generated Plant Fibers under Transverse Compression

• arxiv url: http://arxiv.org/abs/2610.16529v1
• Date: Mon, 12 Oct 2026 10:19:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 22:48:21.812476
• Title: Deep Learning-based Mechanical Characterization of Synthetically Generated Plant Fibers under Transverse Compression
• Title（参考訳）: 逆圧縮下における合成植物繊維の深層学習による機械的特性評価
• Abstract要約: 植物繊維は、コンポジットの持続的な強化剤としてますます使われている。 この挙動のキャラクタリゼーションは、ファイバー単位で数分の高性能計算を必要とする有限要素(FE)シミュレーションに依存する。 我々は、このFEボトルネックを高速パイプラインで置き換えるディープラーニング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）: 0.14919812218995243
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Plant fibers are increasingly used as sustainable reinforcements in composites, but the intrinsic variability of their microstructure causes substantial scatter in transverse mechanical behavior, complicating composite design. Characterizing this behavior relies on finite element (FE) simulations requiring several minutes of high-performance computing per fiber, making high-throughput characterization across realistic fiber populations impractical. In this study, we propose a deep learning framework replacing this FE bottleneck with a fast pipeline. It includes two coupled recursive U-Nets predicting the step-by-step evolution of fiber deformation and internal stress fields under transverse compression, followed by a regression CNN estimating the transverse Young's modulus from the final stress field. Unlike prior approaches predicting stress fields for fixed configurations or idealized geometries, our framework recursively resolves the full temporal stress evolution for synthetic fibers derived from real hemp cross-sections, with or without a lumen. Trained on 1,000 synthetic fiber geometries with FE ground truth, it reproduces the stress field sequence with a Structural Similarity Index Measure (SSIM) of $0.9574 \pm 0.0074$ and a Root Mean Squared Error (RMSE) of $0.0345 \pm 0.0079$. It estimates transverse Young's modulus with an $R^2$ of $0.938 \pm 0.024$, a Mean Absolute Error (MAE) of $24.31 \pm 1.23$ MPa, and a Mean Absolute Percentage Error (MAPE) of $5.25 \pm 0.91\%$. Inference requires under one second per fiber versus five minutes per FE simulation, drastically reducing computational cost. This offers a fast, reliable tool for mechanical characterization of synthetic plant fibers, with promising applications in designing natural fiber-reinforced composites.
• Abstract（参考訳）: 植物繊維は、コンポジットの持続的な強化剤としてますます利用されているが、それらのミクロ構造の内在的な変動は、複合設計を複雑にし、横方向の機械的挙動にかなりの散乱を引き起こす。 この挙動のキャラクタリゼーションは、有限要素 (FE) シミュレーションに頼り、繊維1個あたりの数分の高速計算を必要とし、現実的な繊維の個体群を超越した高速な特徴付けを非現実的に行う。 本研究では,このFEボトルネックを高速パイプラインに置き換えるディープラーニングフレームワークを提案する。 これには、繊維変形と内部応力場のステップバイステップ進化を予測する2つの結合再帰的U-ネットと、最終応力場から横ヤング率を推定する回帰CNNが含まれる。 固定配置や理想的なジオメトリの応力場を予測する従来の手法とは異なり、我々のフレームワークは実麻断面から得られた合成繊維の時間的応力の完全な進化をルーメンの有無で再帰的に解決する。 FE基底真理を持つ1,000の合成ファイバージオメトリで訓練され、構造類似度指数(SSIM)が0.9574 pm 0.0074$、根平均正方形誤差(RMSE)が0.0345 pm 0.0079$の応力場列を再現する。 R^2$$0.938 \pm 0.024$、Mean Absolute Error (MAE)$24.31 \pm 1.23$ MPa、Mean Absolute Percentage Error (MAPE)$5.25 \pm 0.91\%$と見積もられている。 1ファイバー当たりの推論は1秒以下であり、FEシミュレーションでは5分で計算コストが大幅に削減される。 これは、合成植物繊維の機械的特性評価のための高速で信頼性の高いツールを提供し、天然繊維強化複合材料の設計に有望な応用をもたらす。

関連論文リスト

• On Surrogate Modeling of Static Response of AM Short-Fiber Thermoplastics Using Graph Neural Networks [0.9158247555026059]
  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。
  論文  参考訳（メタデータ） (2026-06-27T16:18:48Z)
• Transformers Provably Learn to Internalize Chain-of-Thought [65.41010769606844]
  Implicit Chain-of-Thought (ICoT) は、隠れた状態の中で中間段階を内部化するモデルを訓練する。 Log-ICoTはシンキングトークンを一度に削除し、$k$のリニアから対数へのステージ数を削減します。 多層変圧器の実験により理論が確認され、より深い層に段階的に推論がどのように吸収されるかが可視化される。
  論文  参考訳（メタデータ） (2026-05-27T15:17:06Z)
• Alternating Gradient Flow Utility: A Unified Metric for Structural Pruning and Dynamic Routing in Deep Networks [52.153950303594684]
  交互勾配流(Alternating Gradient Flow, AGF)に着想を得た非結合型運動パラダイムを提案する。 AGFはネットワークの構造的「運動ユーティリティ」を正確にキャプチャする 我々は、AGFに誘導されるオフライン構造探索を、ゼロコストの物理プリミティブを介してオンライン実行から切り離すハイブリッドルーティングフレームワークを設計する。
  論文  参考訳（メタデータ） (2026-03-12T18:19:21Z)
• Operator learning regularization for macroscopic permeability prediction in dual-scale flow problem [8.595941597306608]
  液体複合成形は、そのコスト効率のために繊維強化複合材料の重要な製造技術である。 このプロセスの最適化には、織物の主な特徴である透水性の理解が欠如しているため、課題がある。
  論文  参考訳（メタデータ） (2024-11-30T20:37:05Z)
• FRC-TOuNN: Topology Optimization of Continuous Fiber Reinforced Composites using Neural Network [4.355018965813992]
  本稿では,ニューラルネットワーク(NN)に基づくメッシュ非依存表現を提案し,行列トポロジとファイバー分布を捉える。 暗黙的なNNベースの表現は、メッシュの離散化よりも高い解像度で幾何学的および物質的クエリを可能にする。 固定化連続繊維強化複合材料を高分解能で高分解能で製造できることを示す。
  論文  参考訳（メタデータ） (2022-05-07T23:10:34Z)
• 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)
• Predicting the Mechanical Properties of Fibrin Using Neural Networks Trained on Discrete Fiber Network Data [0.8812900098821118]
  本稿では,RVEモデルの動作を効率的に捉えるために,人工完全連結ニューラルネットワーク(FCNN)を提案する。 FCNNは121の二軸変形を受ける1100の繊維ネットワークで訓練された。 我々のUMATを用いてフィブリンゲルの有限要素シミュレーションに利用した。
  論文  参考訳（メタデータ） (2021-01-23T23:52:33Z)
• Predicting Mechanical Properties from Microstructure Images in Fiber-reinforced Polymers using Convolutional Neural Networks [8.023452876968694]
  本稿では,繊維強化ポリマー試料の2次元分割トモグラフィ画像の応力場予測のために,ScressNetから修正した完全畳み込みニューラルネットワークについて検討する。 トレーニングされたモデルは、通常のラップトップ上で1回のフォワードパスで数秒以内に予測を行うことができ、ハイパフォーマンスなコンピューティングクラスタ上で完全な有限要素シミュレーションを実行するのに92.5時間かかる。
  論文  参考訳（メタデータ） (2020-10-07T22:15:48Z)

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。