ニューラルネットワークを用いたサイクリックプラスチシティのハイブリッドデータ駆動型および物理情報付き正則化学習

核心概念

物理情報付き正則化学習を使用したニューラルネットワークによるサイクリックプラスチシティの効率的な表現。

摘要

提案された機械学習アプローチは、Radial Return Mappingアルゴリズムに基づく従来の材料モデルを置き換えることができる。物理情報付き正則化とバックストレス情報の実装により、トレーニングデータの量を制限しつつ高い精度と安定性が達成される。提案されたモデルアーキテクチャは、既存の解決策と比較してより単純で効率的であり、完全な三次元材料モデルを表現している。数値テストは、Armstrong-Frederick運動硬化モデルで得られた代替データによって検証されており、精度と安定性が確認されている。

统计

Mean Squared Error is assumed as the loss function.
The deviations for the stresses σ are typically less than 2%.
The model slightly underestimates back stresses χ with deviations of 9% at peak values.

引用

从中提取的关键见解

Hybrid data-driven and physics-informed regularized learning of cyclic plasticity with Neural Networks

by Stefan Hilde... 在 arxiv.org 03-05-2024

https://arxiv.org/pdf/2403.01776.pdf

更深入的查询

このアプローチは他の非連想フローにも適用可能ですか？

提供された文脈から、この研究で開発された機械学習ベースの材料モデルは、非連想フローを含む他の物理現象にも適用可能です。実際、本研究では物質挙動のシミュレーションにおいて、非連想プラスチックフローへの拡張性が示唆されています。さらに、提案されたニューラルネットワークアーキテクチャは一般的な仮定や正則化条件を組み込むことで、異方性収量曲面やその他の複雑な物理現象を取り入れる準備が整っています。

この手法は異方性収量曲面や非連想プラスチックフローなど他の物理現象も組み込むことが可能ですか？

はい、この手法は異方性収量曲面や非連想プラスチックフローなど他の物理現象を組み込むことが可能です。提案されたニューラルネットワークアーキテクチャは柔軟で拡張可能であり、さまざまな材料特性や挙動を表現する能力を持っています。また、物理情報に基づく正則化技術を活用することで安定した精度と汎用性が確保されます。これにより、異方性収量曲面や非連想プラスチックフローなど多様な物理現象への対応が期待されます。

この研究から得られた知見は他の材料科学分野へどう応用できますか？

本研究から得られた知見は材料科学分野全体に広範囲に応用することが可能です。例えば、「Constitutive Artificial Neural Networks (CANN)」アーキテクチャ等々新しい素材設計方法へ導入する際に役立ちます。また、「Physics-Informed Neural Networks」（PINNs）技術等々解析的コンポーネント モデリング手法向上させる助けとして利用する事も考えられます。