文献

J-GLOBAL ID：201702233685153684   整理番号：17A2000011

深学習により増強された計算力学【Powered by NICT】

Computational mechanics enhanced by deep learning

著者 (2件)： Oishi Atsuya (Graduate School of Technology, Industrial and Social Sciences, Tokushima University, 2-1 Minami-Johsanjima, Tokushima 770-8506, Japan) ,  Yagawa Genki (Professor Emeritus, University of Tokyo and Toyo University, Setagaya, Tokyo 156-0044, Japan)
資料名： Computer Methods in Applied Mechanics and Engineering  (Computer Methods in Applied Mechanics and Engineering)
巻： 327  ページ： 327-351  発行年： 2017年 
JST資料番号： E0856A  ISSN： 0045-7825  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： の能力を向上させるために,あるいは深い学習,機械学習法の一つであることを用いて計算力学の範囲を拡大する方法を述べ,人工ニューラルネットワークに基づいている。法は,計算力学の適用に固有の規則,有限要素剛性マトリックスのための数値求積法の新しい方法を提案した方法を用いて開発した,通常は陰的であり,時には利用可能な大量のデータから把握するにはあまりにも複雑を抽出するための深層学習を利用し,標準Gauss-Legendre求積法への精度に優れた最適化求積則の種類は,元素ごとに得られた。提案した方法の詳細な定式化は,上記の応用例を示し,提案した方法のための加速技術を考察したCopyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 定式化 ,  最適化 ,  *学習 ,  機械学習 ,  ニューラルネットワーク ,  剛性マトリックス ,  深層学習 ,  求積法 ,  *計算力学 ,  改変
準シソーラス用語： 有限要素 , 【Automatic Indexing@JST】

著者キーワード (4件)： 深い学習 ,  人工ニューラルネットワーク ,  数値求積法 ,  要素剛性マトリックス

分類 (1件)： 構造力学一般  (HD01000X)

タイトルに関連する用語 (3件)： 学習 ,  増強 ,  計算力学