文献

J-GLOBAL ID：202102220021958450   整理番号：21A3408051

弾塑性固体を表現するリカレントニューラルネットワークモデルにおける自己無撞着の重要性について【JST・京大機械翻訳】

On the importance of self-consistency in recurrent neural network models representing elasto-plastic solids

著者 (2件)： Bonatti Colin (Chair of Computational Modeling of Materials in Manufacturing, Department of Mechanical and Process Engineering, Swiss Federal Institute of Technology (ETH), Zurich, Switzerland) ,  Mohr Dirk (Chair of Computational Modeling of Materials in Manufacturing, Department of Mechanical and Process Engineering, Swiss Federal Institute of Technology (ETH), Zurich, Switzerland)
資料名： Journal of the Mechanics and Physics of Solids  (Journal of the Mechanics and Physics of Solids)
巻： 158  ページ： Null  発行年： 2022年 
JST資料番号： C0320A  ISSN： 0022-5096  CODEN： JMPSA8  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： リカレントニューラルネットワークは代替材料モデルとして機能し,成分レベル有限要素シミュレーションと数値的に高価なマイクロスケールモデル間のギャップを除去する。最近の努力は,ゲートされた再発性ニューラルネットワークに依存する。このアプローチの限界を示す:これらのネットワークは自己無撞着ではなく,それらの応答は増加サイズに依存する。著者らは,その定義において自己矛盾を統合する再帰ニューラルネットワークアーキテクチャを提案する:線形化最小状態セル(LMSC)。LMSCは短い配列で訓練できるが,小さな増分の長い配列に適用するとき,それらは最良に機能する。弾塑性事例を考察し,偏差弾塑性挙動を正確に複製する5000以下のパラメータを持つ小さなモデルを,最適数の状態変数を用いて考察した。これらのモデルを明示的有限要素フレームワークに統合し,数十万の要素と百万の増分を有する成分レベルシミュレーションに関するそれらの性能を実証した。Copyright 2021 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *ネットワーク ,  状態変数 ,  *弾塑性 ,  *ニューラルネットワーク
準シソーラス用語： *リカレントニューラルネットワーク ,  有限要素 ,  線形化 ,  有限要素シミュレーション ,  ニューラルネットワークアーキテクチャ , 【Automatic Indexing@JST】

著者キーワード (6件)： リカレントニューラルネットワーク ,  代理モデル ,  有限要素 ,  機械的モデリング ,  均質化 ,  深層学習

分類 (2件)： 機械的性質  (YH02022L) ,  ゴム・プラスチック材料  (HC02030I)

タイトルに関連する用語 (6件)： 弾塑性 ,  固体 ,  表現 ,  自己 ,  無撞着 ,  重要性