文献

J-GLOBAL ID：202202230984434440   整理番号：22A0731174

エラストマ発泡体の機械学習構成モデル【JST・京大機械翻訳】

Machine learning constitutive models of elastomeric foams

著者 (5件)： Frankel Ari (Sandia National Laboratories, 1515 Eubank Blvd. NE Albuquerque, NM, United States of America) ,  Hamel Craig M. (Sandia National Laboratories, 1515 Eubank Blvd. NE Albuquerque, NM, United States of America) ,  Bolintineanu Dan (Sandia National Laboratories, 1515 Eubank Blvd. NE Albuquerque, NM, United States of America) ,  Long Kevin (Sandia National Laboratories, 1515 Eubank Blvd. NE Albuquerque, NM, United States of America) ,  Kramer Sharlotte (Sandia National Laboratories, 1515 Eubank Blvd. NE Albuquerque, NM, United States of America)
資料名： Computer Methods in Applied Mechanics and Engineering  (Computer Methods in Applied Mechanics and Engineering)
巻： 391  ページ： Null  発行年： 2022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： フレキシブル発泡体は,機械衝撃と振動を緩和するために輸送システムでしばしば用いられる一種の材料である。多分散は,これらの発泡体をマトリックス高分子材料とほぼ球状のボイドからなる複雑な微細構造を有する。この構造は,与えられた変位に対する荷重が変形した発泡体中のボイドの電流体積分率に大きく依存した荷重時の複雑な材料応答をもたらす。この複雑な挙動は,典型的には発泡体の均質化応答のみをモデル開発,キャリブレーション,および最終展開中に考慮しているフレキシブル発泡体の構成モデルを開発することを困難にする。これらの課題を克服するために,著者らは,適度な密度の理想化された発泡体微細構造を有する新しい構成モデルを開発するために,マイクロメカニクス有限要素法シミュレーションインフォーム機械学習フレームワークを利用した。いくつかの異なる機械学習モデルを提示し,訓練データセットから存在しない微視力学有限要素シミュレーションに対して検証した。特に,従来のデータ駆動機械学習回帰モデルを,従来の均質化構成モデルから代表体積要素データの偏差を学習する機械学習モデルと比較した。各手法の強度と弱点に関する議論を提示した。Copyright 2022 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： 衝撃 ,  電流 ,  計算機シミュレーション ,  弾性 ,  ニューラルネットワーク ,  回帰モデル ,  *多孔質体 ,  微視力学 ,  *構成モデル ,  *機械学習 ,  多分散性
準シソーラス用語： 高分子材料 ,  *発泡体 ,  有限要素シミュレーション ,  データ駆動 ,  代表体積要素 ,  *エラストマ , 【Automatic Indexing@JST】

著者キーワード (5件)： フレキシブルフォーム ,  機械学習 ,  高弾性 ,  ニューラルネットワーク ,  Gauss過程

分類 (1件)： 弾性力学一般  (HC02010M)

タイトルに関連する用語 (4件)： エラストマ ,  発泡体 ,  機械学習 ,  構成モデル