文献

J-GLOBAL ID：202202259646878518   整理番号：22A0561276

ニューラルネットワークによる多凸異方性超弾性【JST・京大機械翻訳】

Polyconvex anisotropic hyperelasticity with neural networks

著者 (5件)： Klein Dominik K. (Cyber-Physical Simulation Group, Department of Mechanical Engineering & Centre for Computational Engineering, Technical University of Darmstadt, Dolivostr. 15, 64293 Darmstadt, Germany) ,  Fernandez Mauricio (Access e.V., Intzestr. 5, 52072 Aachen, Germany) ,  Martin Robert J. (Chair for Nonlinear Analysis and Modeling, Faculty of Mathematics, University of Duisburg-Essen, Thea-Leymann-Str. 9, 45127 Essen, Germany) ,  Neff Patrizio (Chair for Nonlinear Analysis and Modeling, Faculty of Mathematics, University of Duisburg-Essen, Thea-Leymann-Str. 9, 45127 Essen, Germany) ,  Weeger Oliver (Cyber-Physical Simulation Group, Department of Mechanical Engineering & Centre for Computational Engineering, Technical University of Darmstadt, Dolivostr. 15, 64293 Darmstadt, Germany)
資料名： Journal of the Mechanics and Physics of Solids  (Journal of the Mechanics and Physics of Solids)
巻： 159  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： 本研究では,有限変形のための2つの機械学習ベースの構成モデルを提案した。入力凸型ニューラルネットワークを用いて,モデルは超弾性で,異方性であり,楕円性を意味し,従って材料安定性を確実にする多凸性条件を満たした。最初の構成モデルは,一組の多凸,異方性および客観的不変量に基づいている。第2の手法は変形勾配,その補因子と決定因子に関して定式化され,材料対称性条件を満たすためのグループシンメトリゼーションと,近似的に客観性を満たすためのデータ増強を使用する。データ増強アプローチのためのデータセットの拡張は機械的考察に基づいており,追加の実験やシミュレーションデータを必要としない。モデルは,有限変形と格子不安定性を含む立方格子メタマテリアルの高度に挑戦的なシミュレーションデータで較正した。適度な量の較正データが,実験調査で一般に適用される変形に基づいて使用された。不変ベースモデルはいくつかの変形モードに対して欠点を示すが,変形勾配のみに基づくモデルは有効材料挙動を再現し予測でき,優れた一般化能力を示す。さらに,このモデルを,解析的ポリ凸ポテンシャルで生成された横方向等方性データで較正した。この場合,両モデルは優れた結果を示し,他の対称性グループに対する多凸ニューラルネットワーク構成モデルの直接的な適用性を示した。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： シミュレーション ,  対称性 ,  有限変形 ,  *ニューラルネットワーク ,  近似法 ,  モデリング ,  モデル ,  不変量 ,  *超弾性 ,  定式化 ,  構成モデル ,  補因子 ,  機械学習
準シソーラス用語： 変形モード ,  メタマテリアル , 【Automatic Indexing@JST】

著者キーワード (14件)： 構成モデル ,  非線形弾性 ,  異方性超弾性 ,  ポリ凸性 ,  楕円性 ,  材料安定性 ,  軟質材料 ,  メタ材料 ,  不変量 ,  構造テンソル ,  パラメータ同定 ,  データ駆動モデリング ,  機械学習 ,  入力凸ニューラルネットワーク

分類 (1件)： ゴム・プラスチック材料  (HC02030I)

タイトルに関連する用語 (4件)： ニューラルネットワーク ,  凸 ,  異方性 ,  超弾性