文献

J-GLOBAL ID：202202258478152264   整理番号：22A1032522

歪勾配塑性マルチスケールモデルの選択のためのBayes機械学習フレームワーク【JST・京大機械翻訳】

A Bayesian Machine Learning Framework for Selection of the Strain Gradient Plasticity Multiscale Model

著者 (4件)： Tan Jingye (University at Buffalo, Buffalo, New York, United States) ,  Maupin Kathryn (Sandia National Laboratories, Albuquerque, New Mexico, United States) ,  Shao Shuai (Auburn University, Auburn, Alabama, United States) ,  Faghihi Danial (University at Buffalo, Buffalo, New York, United States)
資料名： ASME Conference Proceedings  (ASME Conference Proceedings)
号： IMECE2021  ページ： Null  発行年： 2022年 
JST資料番号： A0478C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本研究で調査した一連の逐次マルチスケールモデルは,金属マイクロピラーの塑性変形におけるサイズ効果をシミュレートするために,離散転位動力学(DDD)シミュレーションと連続体歪勾配塑性(SGP)モデルから成る。高忠実度DDDは微細構造(転位)相互作用を明確にシミュレートした。これらのシミュレーションは,塑性変形に及ぼす転位密度とそれらの空間分布の影響を説明する。連続体SGPは2つの長さパラメータを用いてマイクロピラーのサイズ依存塑性を捉える。予測DDD-SGPマルチスケールモデリングにおける主な課題は,DDDの微細構造ランダム性による計算予測の不確実性によって要求されるSGPモデルに対する適切な構成関係を選択することである。本論文では,Bayes学習とモデル選択フレームワークを用いて,これらの課題に取り組んだ。種々の構成関係仮定を用いて,異なる忠実度と複雑性を有するSGPモデルのファミリーを構築した。次に,SGPモデルのパラメータを,マイクロピラーのDDDシミュレーションで提供される訓練データから学習した。Bayes学習は,微細構造変動と訓練データの不確実性を特徴付けることにより,塑性変形予測の信頼性の評価を可能にする。さらに,可能なSGPモデルのファミリーを,DDD訓練データを適切に説明するモデルを選択するために,Bayesモデル選択にかけた。本研究で提案したフレームワークは,不確実な観測データから物理ベースマルチスケールモデルを学習することを可能にし,複雑な物理現象,すなわち,マイクロピラーの塑性変形におけるサイズ効果を予測するための最適計算モデルを決定する。Please refer to the publisher for the copyright holders. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *塑性 ,  サイズ効果 ,  シミュレーション ,  相互作用 ,  転位【結晶】 ,  転位密度 ,  モデリング ,  *モデル ,  塑性変形 ,  構成方程式 ,  計算モデル
準シソーラス用語： マルチスケールモデリング ,  マイクロピラー ,  *歪勾配塑性 ,  離散転位 ,  *マルチスケールモデル , 【Automatic Indexing@JST】

分類 (1件)： 格子欠陥一般  (BK12010J)

タイトルに関連する用語 (4件)： 歪勾配塑性 ,  マルチスケールモデル ,  機械学習 ,  フレームワーク