کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Polycrystal plasticity in metals is characterized by nonlinear behavior and strain hardening, making numerical models computationally intensive. We employ Graph Neural Network (GNN) to surrogate polycrystal plasticity from finite element method (FEM) simulations. We present a novel message-passing GNN that encodes nodal strain and edge distances between FEM mesh cells, aggregates them to obtain embeddings, and combines the decoded embeddings with the nodal strains to predict stress tensors on graph nodes. We demonstrate training GNN based on subgraphs generated from FEM mesh-graphs, in which the mesh cells are converted to nodes and edges are created between adjacent cells. The GNN is trained on 72 graphs and tested on 18 graphs. We apply the trained GNN to periodic polycrystals and learn the stress-strain maps based on strain-gradient plasticity theory. The GNN is accurately trained based on FEM graphs, in which the $R^2$ for both training and testing sets are 0.993. The proposed GNN plasticity constitutive model speeds up more than 150 times compared with the benchmark FEM method on randomly selected test polycrystals. We also apply the trained GNN to 30 unseen FEM simulations and the GNN generalizes well with an overall $R^2$ of 0.992. Analysis of the von Mises stress distributions in polycrystals shows that the GNN model accurately learns the stress distribution with low error. By comparing the error distribution across training, testing, and unseen datasets, we can deduce that the proposed model does not overfit and generalizes well beyond the training data. This work is expected to pave the way for using graphs as surrogates in polycrystal plasticity modeling.
چکیده به فارسی (ترجمه ماشینی)
انعطاف پذیری پلی کریستال در فلزات با رفتار غیرخطی و سخت شدن کرنش مشخص می شود و مدل های عددی را از نظر محاسباتی فشرده می کند.ما از شبکه عصبی نمودار (GNN) استفاده می کنیم تا از انعطاف پذیری پلی کریستال از شبیه سازی روش عناصر محدود (FEM) استفاده کنیم.ما یک GNN جدید پیام را ارائه می دهیم که فشار گره و فاصله لبه بین سلولهای مش FEM را رمزگذاری می کند ، آنها را برای به دست آوردن تعبیه ها جمع می کند و تعبیه های رمزگشایی شده را با سویه های گره ای ترکیب می کند تا تنش های استرس روی گره های نمودار پیش بینی شود.ما آموزش GNN را بر اساس زیرگرافهای تولید شده از گرافهای مش FEM نشان می دهیم ، که در آن سلولهای مش به گره ها تبدیل می شوند و لبه ها بین سلولهای مجاور ایجاد می شوند.GNN در 72 نمودار آموزش دیده و در 18 نمودار آزمایش شده است.ما GNN آموزش دیده را برای پلی کریستالهای دوره ای اعمال می کنیم و نقشه های استرس را بر اساس نظریه انعطاف پذیری کلاس کرنش یاد می گیریم.GNN به طور دقیق بر اساس نمودارهای FEM آموزش دیده است ، که در آن $ R^2 $ برای هر دو مجموعه آموزش و آزمایش 0.993 است.مدل سازنده انعطاف پذیری GNN پیشنهادی بیش از 150 بار در مقایسه با روش FEM معیار در پلی کریستالهای آزمایشی به طور تصادفی انتخاب می شود.ما همچنین GNN آموزش دیده را به 30 شبیه سازی FEM غیب اعمال می کنیم و GNN با یک $ R^2 $ از 0.992 به خوبی تعمیم می یابد.تجزیه و تحلیل توزیع استرس فون میزس در پلی کریستالها نشان می دهد که مدل GNN با خطای کم توزیع استرس را به طور دقیق یاد می گیرد.با مقایسه توزیع خطا در آموزش ، آزمایش و مجموعه داده های غیب ، می توانیم نتیجه بگیریم که مدل پیشنهادی بیش از داده های آموزشی بیش از حد و تعمیم نمی یابد.پیش بینی می شود این کار راه استفاده از نمودارها را به عنوان جانشین در مدل سازی پلاستیک پلی کریستال هموار کند.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
