論文の概要: A physics-coupled graph neural operator for mid-plane six-component stress tensor field prediction in concrete penetration
- arxiv url: http://arxiv.org/abs/2610.16996v1
- Date: Mon, 12 Oct 2026 15:45:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-18 03:48:29.469824
- Title: A physics-coupled graph neural operator for mid-plane six-component stress tensor field prediction in concrete penetration
- Title（参考訳）: 中面6成分応力テンソル場予測のための物理結合型グラフニューラル演算子
- Abstract要約: 半平面6面応力テンソル場の進化を関数空間で学習する物理結合型グラフニューラルネットワーク(PC-GNO)を提案する。
コンクリート浸透時のフィールドレベルの応答予測では, トレーニング条件と評価条件が定義されたデータ駆動経路が提供される。
- 参考スコア（独自算出の注目度）: 14.04953000698584
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The penetration-resistant design of concrete structures requires the spatiotemporal evolution of the stress field within the target, whereas in design only the strength grade, the geometry and the projectile parameters are known, and the aggregate arrangement is not. Empirical formulae and scalar-output surrogates serve design screening, and mesoscale finite element models resolve the aggregate-scale response, but one solution cannot cover random aggregate samples at scale, and no framework links mesoscale heterogeneity to field-level prediction. A physics-coupled graph neural operator (PC-GNO) is proposed, which learns in function space the evolution of the mid-plane six-component stress tensor field. The training data are generated by full-scale, aggregate-resolved finite element models and comprise 359 cases at the impact velocities of 100, 135 and 165 m/s, corresponding to compressive strengths of 14, 23 and 48 MPa; the data source is verified by laboratory measurements. The coupling strength of message passing is constructed from the impedance contrast across the material interface, and the update is constrained by spectral normalization. Under the single-step primary setting, the mean accuracy of the three levels is 80.16% (91.45%, 77.80% and 71.22%), i.e. 27.81, 42.46 and 34.16 percentage points above the preceding-frame field of the same window; with 20 664 parameters it exceeds the 87.9% of the best Fourier neural operator configuration (about 812 times as many parameters) and the 71.0% of the closed-form linear regression. The output is the complete six-component tensor field rather than a fixed engineering quantity, so that strength criteria and energy indicators follow from one set of weights. For field-level response prediction in concrete penetration, this result provides a data-driven route, with conditions of applicability defined by the training and the evaluation.
- Abstract（参考訳）: コンクリート構造物の貫入抵抗設計では, ターゲット内部の応力場の時空間的変化が要求されるが, 設計上は強度グレードのみであり, 形状や射影パラメータは知られており, 集合配置は分かっていない。
実験式とスカラー出力サロゲートは設計のスクリーニングに役立ち、メソスケール有限要素モデルは集合スケールの応答を解くが、1つの解はランダムな集合サンプルをスケールでカバーすることができず、メソスケールの不均一性とフィールドレベルの予測をリンクするフレームワークは存在しない。
中間面6成分応力テンソル場の進化を関数空間で学習する物理結合型グラフニューラルネットワーク(PC-GNO)を提案する。
実験室実験により, 圧縮強度14, 23, 48 MPaに対応する100, 135, 165 m/sの衝突速度で359例の有限要素モデルを用いて, 実測値からトレーニングデータを生成した。
メッセージパッシングの結合強度は、材料界面のインピーダンスコントラストから構築され、その更新はスペクトル正規化によって制限される。
1段階の一次設定では、3つのレベルの平均精度は 80.16% (91.45%、77.80%、および71.22%)、すなわち、同じウィンドウの前のフレームフィールドよりも27.81、42.46、34.16ポイント高い。
出力は固定された工学量ではなく完全な6成分テンソル場であり、強度基準とエネルギー指標が1組の重みから従う。
コンクリート浸透におけるフィールドレベルの応答予測には, トレーニングと評価によって定義された適用性条件を備えたデータ駆動経路が提供される。
関連論文リスト
- Physics-Augmented Graph Transformers for Patch-Antenna Forward and Inverse Design [41.99844472131922]
本稿では,不規則な表面メッシュ上での信号再構成として放射パターン予測を扱う物理拡張グラフ学習フレームワークを提案する。
前方問題として、GPSグラフトランスフォーマーは、補助ノードレベルの目的であるPhysical-Augmented Intermediate Supervision (PAIS)を用いて訓練される。
逆設計では、代理フィルタ拡散が最寄りのMSEに対して32%の相対的MSEを上回ります。
論文 参考訳（メタデータ） (2026-10-04T06:57:03Z) - BAT-NO: A Boundary-Condition-Aware Transformer Neural Operator for Crashworthiness Prediction of Vehicle Components [9.368489153302326]
本研究では、過渡変位場の自己回帰予測のための境界条件対応変圧器ニューラル演算子(BAT-NO)を提案する。
Bピラーシミュレーションフレームワークは、幾何、衝突位置、速度のバリエーションの一般化を評価し、剛性をサポートする。
BAT-NOは, 評価ベースラインのうち, 最終段階の平均ユークリッド変位誤差が最低となる。
論文 参考訳（メタデータ） (2026-10-02T17:06:21Z) - Equivariant Flow Matching for Electron Density Prediction [41.15331860596543]
OrbFlowはガウス型軌道(GTO)係数をフローマッチングによって予測する生成モデルである。
これはQM9における最先端の精度を実現し、以前の最良のモデルと比較して密度誤差を13.6%削減する。
論文 参考訳（メタデータ） (2026-10-02T01:18:18Z) - Field-level prediction of mid-plane stress tensor fields in concrete target penetration: a cross-velocity graph neural operator surrogate [14.04953000698584]
フルスケールの集合分解LS-DYNAモデルを用いてデータを生成する。
このデータセットは、400件のX-Z中間面に6成分の応力テンソル場を含む。
論文 参考訳（メタデータ） (2026-09-09T11:04:59Z) - Evaluating a 4B open-weights local LLM for agentic DFT workflows: a literature reproducibility audit [0.0]
この研究は、様々なハードウェア制約に対して自律的な科学パイプラインを実行するオープンウェイトQwen3:4Bモデルを評価する。
このシステムは、非構造化テキストからパラメータを抽出し、それらを密度汎関数理論(DFT)入力に変換し、シミュレーションを収束させる。
論文 参考訳（メタデータ） (2026-08-30T08:59:05Z) - A Lightweight Foundation Model for Collider Physics with Multi-Domain Adaptation [44.18742604961034]
我々は,コライダー物理データから事前学習を生かした基礎モデリングへの軽量なアプローチを提案する。
このモデルは大型ハドロン衝突型加速器からの大規模な衝突データセットを監督せずに事前訓練される。
事前学習したモデル重みに基づいて,運動回帰や事象分類などのコライダー解析のための下流タスクを開発した。
論文 参考訳（メタデータ） (2026-07-29T22:35:13Z) - UTOPYA: A Multimodal Deep Learning Framework for Physics-Informed Anomaly Detection and Time-Series Prediction [42.532335022354545]
バッチプロセスにおける異常検出は、過渡的ダイナミクス、欠陥ラベルの不足、単一モードセンサデータへの依存によって妨げられる。
本研究は, バッチ蒸留における異常検出, 時系列予測, 位相分類を共同で扱うマルチモーダルフレームワークUTOPYAを紹介する。
本研究で導入された物理インフォームド正規化スキームは、時間的滑らかさと熱力学的モノトニクスを強制する。
論文 参考訳（メタデータ） (2026-05-18T10:28:15Z) - The Physics Constraint Paradox: When Removing Explicit Constraints Improves Physics-Informed Data for Machine Learning [0.0]
5つの幾何学パラメータを100点のスペクトル応答にマッピングする物理インフォームドグレーティングカプラスペクトル生成器を提案する。
エネルギー保護法,ファブリ・ペロ振動,帯域変動,雑音を選択的に除去することにより,物理制約パラドックスを明らかにする。
これらの知見は、物理インフォームドデータセット設計のための実用的なガイダンスを提供し、制約関連性を評価するための診断ツールとして機械学習の性能を強調している。
論文 参考訳（メタデータ） (2025-12-24T14:34:52Z) - To Compress or Not? Pushing the Frontier of Lossless GenAI Model Weights Compression with Exponent Concentration [46.63567524455431]
低精度浮動小数点フォーマットは、遅延化オーバーヘッドを伴わずに安定性、メモリ節約、ハードウェア効率を提供する。
本稿では,エントロピー対応エンコーディングとGPU最適化デコーディングを備えた圧縮フレームワークであるExponent-Concentrated FP8(ECF8)を提案する。
LLMとDiTの最大671Bパラメータの実験では、最大26.9%のメモリ節約と177.1%のスループット加速が示されている。
論文 参考訳（メタデータ） (2025-10-03T02:22:13Z) - Pre-Training on Large-Scale Generated Docking Conformations with HelixDock to Unlock the Potential of Protein-ligand Structure Prediction Models [42.16524616409125]
本研究では,大規模ドッキングコンフォーメーションの事前学習により,優れた性能を有するタンパク質リガンド構造予測モデルが得られることを示す。
提案モデルであるHelixDockは,物理ベースのドッキングツールによってカプセル化された物理知識を,事前学習期間中に取得することを目的としている。
論文 参考訳（メタデータ） (2023-10-21T05:54:26Z) - Supplementation of deep neural networks with simplified physics-based
features to increase model prediction accuracy [0.0]
STEMアプリケーションの予測モデルを改善するために、補足的な物理ベースの機能がディープニューラルネットワーク(DNN)に導入された。
これらの追加機能は、さまざまな単一層と複数の層に注入され、4つの異なるデータセットサイズでトレーニングされる。
物理強化されたデータが複数の層に注入されると、エラーの33.2%から19.6%、34.9%から19.9%、35.8%から22.4%、および43.0%から28.4%がそれぞれ261、117、60、30のデータセットサイズで達成される。
論文 参考訳（メタデータ） (2022-04-14T05:44:59Z)
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。